对用于毒性预测的机器学习和深度学习模型的审查
Wenjing Guo1, Jie Liu1, Fan Dong1
1National Center for Toxicological Research, U.S. Food and Drug Administration, Jefferson, AR 72079, USA.
Experimental biology and medicine (Maywood, N.J.)
|December 7, 2023
概括
机器学习和深度学习模型为传统毒性测试提供了更快,更具成本效益的替代方案. 提高数据集质量对于可靠的化学毒性预测至关重要.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 毒理学 毒理学 毒理学
背景情况:
- 越来越多的化学品生产需要有效的毒性评估.
- 传统的毒性测试 (体外,体内) 是资源密集型的,并面临道德问题.
- 为了快速可靠的化学安全评估,需要使用替代方法.
研究的目的:
- 审查用于化学毒性预测的机器学习 (ML) 和深度学习 (DL) 模型.
- 突出在预测毒理学中流行的算法和毒性终点.
- 讨论数据集质量对模型性能的影响以及对基准测试的需求.
主要方法:
- 对最近基于ML和DL的毒性预测模型的审查.
- 分析常用的算法 (例如,支持矢量机,随机森林,深度神经网络).
- 检查经常预测的毒性终点 (例如肝毒性,心毒性,致癌性).
主要成果:
- ML和DL模型越来越多地用于毒性预测.
- 支持向量机和随机森林是普遍存在的ML算法.
- 数据集质量显著影响模型性能,在数据集中观察到不一致性.
结论:
- ML和DL对推进预测毒理学的前景充满希望.
- 标准化,高质量的数据集对于开发强大的毒性预测模型至关重要.
- 预计这些模型的进一步开发和应用将加强化学品安全评估.
