利用半监督机器学习自动预测Per-和多基基物质 (PFAS) 的生物活性

科学领域:

• 环境化学环境化学
• 毒理学 毒理学 毒理学
• 计算化学的计算化学
• 机器学习 机器学习

背景情况:

• 和多基基物质 (PFASs) 是常见的化学物质,具有已知的生物活性和持久的生物积累特性,对健康构成重大风险.
• 通过体内和体外实验来评估PFAS生物活性的传统方法非常耗时和昂贵,阻碍了全面的风险评估.

研究的目的:

• 开发和应用新的无监督/半监督机器学习模型,用于自动预测PFAS生物活性.
• 评估来自经合组织报告清单的大量PFAS在各种人类生物标中的潜在生物活性.

主要方法:

• 利用无监督和半监督的机器学习,特别是度量学习模型,来预测生物活性.
• 将模型应用于经合组织报告中识别的4730种PFAS的数据集,涵盖各种工业和消费应用.
• 专注于预测与人类生物点的相互作用,如酶,基因,蛋白质和细胞系.

主要成果:

• 成功实施机器学习模型来预测众多PFAS化合物的生物活性.
• 证明了评估与广泛的工业和消费PFAS相关的潜在健康危害的能力.
• 在多个人类生物标中为PFAS生物活性生成预测.

结论:

• 本研究介绍了第一个半监督机器学习方法,用于研究结构-活性关系,以预测PFAS生物活性.
• 开发的模型为选PFAS生物活性的实验方法提供了成本高效和时间高效的替代方案.
• 这种计算方法有助于更广泛地了解与各种PFAS物种相关的潜在健康风险.