基于机器学习的两阶段方法来预测人类非癌症和发育/生殖影响的起点

科学领域:

• 计算毒理学计算毒理学
• 环境健康 环境健康
• 机器学习应用程序 机器学习应用程序

背景情况:

• 化学出发点 (POD) 对于人类健康风险评估至关重要,但由于缺乏*in vivo*毒性数据,大多数商业化学品缺乏这些出发点.
• 目前用于确定POD的方法有限,这阻碍了对大量化学品的综合风险评估和管理.

研究的目的:

• 开发和验证机器学习 (ML) 框架,以根据其结构预测有机化学品的人类等价POD.
• 使用开发的ML模型评估大量环境化学品对人类健康的潜在风险.

主要方法:

• 创建了一个两阶段的ML框架:第一阶段使用了化学性质的ML预测 (来自OPERA 2.9) 作为特征.
• 第二阶段涉及训练随机森林回归模型与人类相当的PODs,这些PODs来自*in vivo*数据,用于一般非癌症 (n=1,791) 和生殖/发育影响 (n=2,228).
• 强大的交叉验证用于特征选择和错误估计.

主要成果:

• 两阶段的ML模型准确地预测了POD,无论是一般的非癌症还是生殖/发育影响,交叉验证错误都在数量级下.
• 将模型应用于34,046种环境化学品,确定了数千种中度关注的化学品和数百种高度关注的化学品.
• 这些发现是基于估计的人口中位数暴露水平.

结论:

• 开发的ML框架有效地预测了人体相当的POD,大大扩大了可以评估健康风险的化学品的数量.
• 这种方法提供了一种可扩展的方法,用于为进一步的毒理学调查和风险管理优先考虑化学品.
• 该研究强调了大量的环境化学物质,由于潜在的健康风险,需要注意.