VenomPred 2.0:一个新的基平台,用于扩展和人类可解释的小分子毒理学概况

科学领域:

• 计算毒理学计算毒理学
• 药物设计 药物设计
• 人工智能的人工智能是人工智能.
• 机器学习是机器学习.

背景情况:

• 人工智能 (AI) 和机器学习 (ML) 在计算毒理学和药物设计中越来越重要.
• 这些方法为化合物安全性评估提供了有前途的解决方案,有助于优化和ADMET研究.
• AI/ML支持动物试验的3R原则 (取代,减少,改进).

研究的目的:

• 介绍VenomPred 2.0,一个改进的,用于毒理学预测的免费网络工具.
• 提供一个强大的平台,用于化学品的多面和人类可解读的in silico毒性分析.
• 扩大预测能力,提高毒理学评估的解释性.

主要方法:

• 开发VenomPred 2.0,这是一个基于网络的工具,用于化学毒性预测.
• 实施一系列扩展的毒性终点:雄激性,皮肤/眼睛刺激,急性口腔毒性,致癌性,致变性,肝毒性和雌激性.
• 利用基于多个ML模型的共识预测策略和SHAP (Shapley添加式扩展) 方法进行可解释的分析.

主要成果:

• 威诺普雷德2.0提供了一系列扩展的毒性终点,用于in silico评估.
• 该工具采用共识策略,使用多个ML模型进行可靠的预测.
• 一个基于SHAP的新实用程序提供了人类可解释的毒理学概况,识别关键的结构性毒.

结论:

• VenomPred 2.0是一个强大的,用户友好的网络平台,用于全面的化学毒性评估.
• 整合SHAP提高了预测的解释性,有助于理解结构毒性关系.
• 该工具促进了更安全的药物设计,并支持在毒理学中减少动物试验的伦理要求.