使用新型混合神经网络框架和数学方法预测化学混合物的剂量依赖致癌性
Sarita Limbu1, Sivanesan Dakshanamurthy1
1Lombardi Comprehensive Cancer Center, Georgetown University Medical Center, Washington, DC 20057, USA.
评估化学混合物 的评价
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
- 机器学习 机器学习
背景情况:
- 危险的化学混合物,包括化物和多化物 (PFAS),对癌症的发展构成重大风险.
- 准确评估它们的致癌潜力至关重要,但由于数据的限制,这具有挑战性.
研究的目的:
- 引入HNNMixCancer,一个新的混合神经网络 (HNN) 框架,用于预测化学混合物的致癌潜力.
- 开发用于二进制,多类分类和致癌性和功效回归的模型.
主要方法:
- 一个混合神经网络 (HNN) 集成到机器学习框架中.
- 一个数学模型来模拟化学混合物并生成用于训练的虚拟图书馆.
- 开发二进制,多类分类和回归模型.
主要成果:
- HNNMixCancer在二进制分类中实现了92.7%的准确性,超过了其他机器学习方法.
- 外部验证显示,HNN实现了最高准确度的80.5%.
- HNN在多类分类中显示了96.3%的准确性,在回归中显示了高R值,这表明它具有很强的预测能力.
结论:
- HNNMixCancer提供了一种强大而准确的方法来预测化学混合物的致癌潜力,即使实验数据有限.
- 这一框架对于在毒理学研究中优先考虑危险混合物是有价值的.
- 它代表了对像PFASs这样的复杂混合物剂量依赖性致癌物质预测的新方法.
更多相关视频
04:12Chemical-Induced Skin Carcinogenesis Model Using Dimethylbenz[a]Anthracene and 12-O-Tetradecanoyl Phorbol-13-Acetate DMBA-TPA
Published on: December 19, 2019
10:33Expedited Radiation Biodosimetry by Automated Dicentric Chromosome Identification ADCI and Dose Estimation
Published on: September 4, 2017
相关概念视频
Mutagenicity and Carcinogenicity
Dose-Response Relationship: Overview
Dose-Response Relationship: Selectivity and Specificity
Dose-Response Relationship: Potency and Efficacy
Mechanistic Models: Compartment Models in Individual and Population Analysis
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
