变压器可以准确预测水生生物中的急性和慢性化学毒性
Mikael Gustavsson1, Styrbjörn Käll2, Patrik Svedberg3
1Department of Economics, University of Gothenburg, Gothenburg, Sweden.
Science advances
|March 6, 2024
概括
本研究介绍了一种使用深度学习的AI模型,用于预测各种生物体的化学毒性. 这种先进的模型提供了比传统方法更高的准确性和更广泛的范围,改善了环境危害评估.
科学领域:
- 环境毒理学环境毒理学
- 计算化学是一种计算化学.
- 科学中的人工智能.
背景情况:
- 环境危害评估需要广泛的毒性数据跨越不同的生物体.
- 实验性毒性测试是昂贵和耗时的.
- 当前的计算方法 (QSAR) 在准确性和适用性方面存在局限性.
研究的目的:
- 开发和验证基于人工智能的模型,用于预测化学毒性.
- 提高计算毒性预测的准确性和适用性领域.
- 为实验性毒性测试提供更快,更具成本效益的替代方案.
主要方法:
- 利用变压器架构从化学结构中提取毒性特征.
- 使用深度神经网络来预测效应度 (例如,EC50/EC10).
- 训练并验证了对藻类,水生无脊椎动物和鱼类数据的模型.
主要成果:
- 在所有测试的水生生物群体中实现了高预测性能.
- 与传统的QSAR方法相比,证明了更大的适用性领域和明显更低的错误.
- 在使用多效应度值 (EC50/EC10) 训练时观察到进一步的性能提升.
结论:
- 深度学习和变压器模型显示了推进计算化学毒性预测的巨大潜力.
- 开发的AI模型为环境危险评估提供了更准确,更广泛的解决方案.
- 这种方法可以加速生成关键的毒性数据,支持监管和研究需求.
更多相关视频
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
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
7.2K
