纳米毒性评估中的自动机器学习:对预测模型性能进行比较研究

科学领域:

• 计算毒理学计算毒理学
• 材料科学是一种材料科学.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 计算建模是动物试验的有希望的替代品,用于毒性评估.
• 开发优化的预测模型传统上需要大量的专业知识,时间和对算法和超参数的密集搜索.

研究的目的:

• 评估自动机器学习 (autoML) 平台在开发纳米毒性预测模型中的有效性.
• 将自动ML生成模型的性能与传统开发的机器学习 (ML) 模型进行比较.

主要方法:

• 利用七个公开可用的氧化物和金属数据集来开发纳米毒性预测模型.
• 采用了三种自动ML平台:Vertex AI,Azure和Dataiku. 这三种自动ML平台都在使用中.
• 汽车ML模型与传统ML模型的性能指标 (准确性,F1得分,精度,回忆) 的比较.

主要成果:

• 自动ML平台产生了更可靠的纳米毒性预测模型,超过了传统的ML模型.
• 没有一个单一的autoML平台显著优于其他平台,但技术特征的差异为用户提供了选择.
• 使用更高质量的数据集构建的模型显示性能增强.

结论:

• 自动ML平台简化了有效的纳米毒性预测模型的开发.
• 选择自动ML平台可以根据用户的专业知识和技术特性偏好进行定制.
• 预计未来纳米毒性预测模型的改进将使用高质量的数据集.