开发机器学习算法,以估计兽医药的最大残留物限值

科学领域:

• 兽医药理学 兽医药理学 兽医药理学
• 食品安全科学 食品安全科学
• 计算毒理学计算毒理学

背景情况:

• 最高残留量限制 (MRL) 对于确保人类食品对兽药残留物的安全至关重要.
• 目前的MRL通常是特定物种的,为代表性不足的食品商品留下了空白.
• 建立新的MRL需要进行广泛而昂贵的动物研究.

研究的目的:

• 开发和验证一种机器学习 (ML) 方法,用于预测未确定的MRL.
• 评估ML模型在估计缺乏监管限制的食品原料的MRL时的可靠性.
• 探索ML在减轻新MRL确定负担方面的潜力.

主要方法:

• 使用了针对不平衡数据设计的分类方法,包括重新采样技术.
• 分析了各个国家的国际MRL数据.
• 评估了七个ML分类器:支持向量分类器,多层感知器 (MLP),随机森林,决策树,k邻居,高斯 NB 和 AdaBoost.

主要成果:

• 神经网络多层感知器 (MLP) 分类器表现出卓越的性能,准确度超过99%的标记器和大约88%没有.
• ML算法被成功地应用到预测未确定的MRL对代表性不足的食品商品群体.
• 该研究建立了一种数据挖掘方法,用于预测MRL.

结论:

• 机器学习提供了一种可靠和有效的方法来预测未确定的最大残留量限制 (MRL).
• 这种方法可以显著减少对活体动物测试的依赖,并降低研究成本.
• 这些发现代表了ML在监管食品动物医学中的新应用,增强了食品安全协议.