基于机器学习的模型来预测工程纳米颗粒的水生态风险:使用5%的物种的危害度作为终点
Qi Qi1, Zhuang Wang2
1School of Environmental Science and Engineering, Jiangsu Key Laboratory of Atmospheric Environment Monitoring and Pollution Control, Collaborative Innovation Center of Atmospheric Environment and Equipment Technology, Nanjing University of Information Science and Technology, Nanjing, 210044, People's Republic of China.
Environmental science and pollution research international
|March 12, 2024
概括
机器学习模型准确地预测了工程纳米粒子 (ENP) 在社区层面的水生生态毒性. 这种方法有助于优先考虑欧洲环境政策的测试和制定环境法规.
科学领域:
- 计算毒理学计算毒理学
- 环境科学环境科学
- 生态毒理学 生态毒理学
背景情况:
- 在社区/生态系统层面评估工程纳米粒子 (ENP) 生态毒性对于理解生态风险至关重要.
- 目前的ENP生态毒性预测主要集中在细胞/个体层面,缺乏社区/生态系统层面的探索.
研究的目的:
- 开发机器学习 (ML) 模型,直接预测社区层面的ENP的水生生态风险.
- 建立定性和定量模型来预测危险度,其中5%的物种受到损害 (HC5).
主要方法:
- 从物种敏感度分布收集了12个ENP的HC5数据.
- 利用八种监督的ML方法 (例如,随机森林,SVM) 来构建分类和回归模型.
- 与毒性机制相关的内置纳米结构描述符 (度,泽塔潜力,表面积).
主要成果:
- 分类模型实现了内部验证准确度从71.4%到100%.
- 回归模型显示的确定系数范围从0.702到0.999.
- 模型通过交叉验证和应用领域特征表现显示出强大的预测能力.
结论:
- 开发的ML模型有效地预测了社区层面上ENP的水生生态毒性.
- 纳米结构描述符增强了模型的预测能力和机械解释性.
- 这些发现支持ENP风险选,优先考虑和环境法规的制定.
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
06:25Author Spotlight: High-Throughput Toxicity Screening Using Zebrafish Embryo Startle Response Assay
Published on: January 12, 2024
1.4K
