在生态毒理学中用于机器学习的基准数据集
Christoph Schür1, Lilian Gasser2, Fernando Perez-Cruz2,3
1Eawag, Swiss Federal Institute of Aquatic Science and Technology, Dübendorf, Switzerland. christoph.schuer@eawag.ch.
Scientific data
|October 18, 2023
概括
这项研究介绍了ADORE,这是一个使用机器学习预测水生有毒性的综合数据集. 它旨在标准化生态毒理学研究,并鼓励新的预测模型.
科学领域:
- 生态毒理学 生态毒理学
- 环境科学 环境科学
- 计算生物学 计算生物学
背景情况:
- 机器学习 (ML) 对预测生态毒理学结果具有前景,但由于数据策划挑战,其利用率不足.
- 缺乏标准化的数据集和方法阻碍了跨研究模型性能比较.
- 经常需要在ML和生态毒理学方面的专业知识,从而造成进入障碍.
研究的目的:
- 为急性水生毒性研究提供一个广泛,详细描述的数据集 (ADORE).
- 促进生态毒理学的标准化模型开发和绩效评估.
- 挑战研究人员开发新的ML模型来预测生态毒性.
主要方法:
- 策划了关于急性水生有毒性的广泛数据集,包括实验数据.
- 综合的遗传学,物种特异性,化学和分子数据.
- 开发了标准化的数据集和训练测试分割,用于可重现的研究.
主要成果:
- 阿多尔数据集包括对鱼类,甲类和藻类的急性水生毒性数据.
- 包括详细的物种和化学特性,以及分子表示.
- 为定义的研究挑战提供特定的数据子集和分割.
结论:
- 阿多尔解决了在生态毒理学ML研究中需要标准化,高质量的数据的需求.
- 方便可重复的模型开发和基准测试.
- 促进预测化学品环境风险的进步.
更多相关视频
07:28A Toxicological and Ecotoxicological Assay Based on Mussel (Mytilus galloprovincialis) Hemocytes Motility
Published on: December 13, 2024
458
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.7K
