一个基于人工智能的模型,用于预测双相似物混合物的生殖毒性,用于 rotifer Brachionus calyciflorus
Yilin Wang1, Juntao Fan2, Fen Guo3
1State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China; College of Marine Ecology and Environment, Shanghai Ocean University, Shanghai 201306, China.
The Science of the total environment
|April 18, 2024
概括
深度神经网络 (DNN) 模型准确地预测了水生生态系统中双混合物的联合繁殖毒性. 这些先进的模型,包括DNN-QSAR和DNN-Ratio,显著优于传统方法,如度加法和独立作用.
科学领域:
- 环境毒理学环境毒理学
- 生态毒理学 生态毒理学
- 计算化学的计算化学
背景情况:
- 混合物毒性,特别是生殖效应,是水生生态系统退化的主要驱动因素.
- 评估化学混合物的组合毒性是具有挑战性的,因为详尽的测试是不切实际的.
- 双类似物 (BPA,BPF,BPAF) 是常见的环境污染物,具有已知的生殖毒性.
研究的目的:
- 开发和评估双混合物的联合生殖毒性度-反应曲线的预测模型.
- 将深度神经网络 (DNN) 模型与传统方法 (CA,IA) 的性能进行比较.
- 确定影响化学混合物关节毒性的关键因素.
主要方法:
- 开发了两个DNN模型:DNN-QSAR (使用分子描述符) 和DNN-Ratio (使用化学比率).
- 传统模型的评估:度添加 (CA) 和独立行动 (IA).
- 对BPA,BPF和BPAF混合物在*Brachionus calyciflorus*的生殖毒性的测试模型.
主要成果:
- 在预测混合物毒性 (R2值高达0.991) 方面,DNN模型 (DNN比率和DNN-QSAR) 显著优于CA和IA模型.
- 分子描述符,特别是与分子质量相关的分子描述符,是毒性的重要预测因素.
- 总混合物度被确定为影响联合效应的主要因素,较高度将效应转移到添加.
结论:
- 深度神经网络为预测化学混合物的联合生殖毒性提供了一种卓越的方法.
- DNN-QSAR为单个双及其混合物提供了准确的毒性预测.
- 这项研究为评估混合物毒性和生态风险提供了一个新的框架.
