机器学习有潜力解决人类毒性和生态毒性表征的数据缺口
Kerstin von Borries1, Hanna Holmquist2, Marissa Kosnik1
1Quantitative Sustainability Assessment, Department of Environmental and Resource Engineering, Technical University of Denmark, Bygningstorvet 115, 2800 Kgs. Lyngby, Denmark.
机器学习 (ML) 可以帮助填补化学毒性评估的数据缺口. 这项研究优先考虑了关键的毒性参数,显示ML模型可以预测8-46%的化学品的数据,即使现有的测量有限.
科学领域:
- 环境化学环境化学
- 计算毒理学计算毒理学
- 数据科学数据科学数据科学
背景情况:
- 机器学习 (ML) 越来越多地用于解决化学评估中的数据缺口.
- 化学数据缺口的ML系统应用和广泛潜力仍未得到充分探索.
研究的目的:
- 系统地评估和优先考虑基于ML的毒性表征的化学参数.
- 评估ML在广泛的化学品中预测数据的潜力.
主要方法:
- 根据毒性相关性和ML预测数据的可用性,优先考虑38个化学参数.
- 进行化学空间分析以评估各种化学结构的ML预测潜力.
- 根据测量数据的可用性,评估化学品的百分比与预测数据.
主要成果:
- 确定并优先考虑了ML开发的13个关键参数,标记了9个关键数据缺口.
- 机器学习方法显示,有可能预测市场化化学品的8-46%的数据.
- 预测潜力是可以实现的,即使只有1-10%的化学品有测量数据.
结论:
- 这项工作提供了一个系统的框架,用于优先考虑化学毒性的ML模型开发中的参数.
- 结果强调了ML在填补数据缺口和扩大化学毒性表征方面的巨大潜力.
更多相关视频
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mutagenicity and Carcinogenicity
Types of Toxins
Air pollutants, primarily gases, pose significant threats to respiratory health, leading to conditions like hypoxia, lung cancer, and in extreme cases, death.
Environmental pollutants like...
