使用机器学习预测皮肤敏感化
Jueng Eun Im1, Jung Dae Lee2, Hyang Yeon Kim2
1Department of Pharmacy, College of Pharmacy, Dankook University, Cheonan, Chungnam 31116, Republic of Korea; Center for Human Risk Assessment, Dankook University, Cheonan, Chungnam 31116, Republic of Korea; Division of Cosmetics Evaluation, Department of Biopharmaceuticals and Herbal Medicine Evaluation, National Institute of Food and Drug Safety Evaluation, Ministry of Food and Drug Safety, Cheongju, Chungbuk 28159, Republic of Korea.
一个新的机器学习模型有效地利用化学特性预测皮肤敏感性,为动物试验提供更快的替代方案. 这种方法有助于快速选化学敏感性危害.
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学计算化学
- 在的毒理学.
背景情况:
- 全球越来越多的人对动物福利的意识,需要开发替代化学品安全测试方法.
- 皮肤敏感性评估对于产品安全和监管合规性至关重要.
研究的目的:
- 开发一种实用的机器学习模型,用于预测皮肤敏感性.
- 在模型开发中利用物理化学性质 (表面张力,点,分子量).
主要方法:
- 一个随机森林 (RF) 模型是使用297个化学数据集与6个物理化学性质和局部淋巴结测定结果开发的.
- 该模型在使用f1-scores等性能指标对45种香水过敏原进行了验证.
- 实验验证是使用直接类反应性测试 (DPRA) 进行的.
主要成果:
- 射频模型表现出强的性能,在各种分类任务 (惩罚,三元,二元) 中表现优于支持矢量机 (SVM),QSAR (ChemTunes,OECD工具箱) 和线性模型.
- 推基于全球协调系统的三元分类,以获得更精确的危险信息.
- 使用DPRA的实验验证显示了与模型预测相似的趋势.
结论:
- 开发的机器学习模型提供了一种高效,快速的选化学敏感性危害的方法.
- 这种in silico方法可以显著减少对皮肤敏感性评估的动物试验的依赖.
- 该研究支持使用物理化学性质和机器学习来预测毒理学终点.
更多相关视频
12:04Assessment of the Cytotoxic and Immunomodulatory Effects of Substances in Human Precision-cut Lung Slices
Published on: May 9, 2018
04:12Chemical-Induced Skin Carcinogenesis Model Using Dimethylbenz[a]Anthracene and 12-O-Tetradecanoyl Phorbol-13-Acetate DMBA-TPA
Published on: December 19, 2019
