深度学习弥合了生物活性,结构和GC-HRMS可读证据,以破译沉积物中的非目标毒素

科学领域:

• 环境化学环境化学
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 在复杂的化学混合物中识别致病毒素是一个重大挑战.
• 传统的基于效果的方法和生物测试为优先考虑化学品提供了有限的诊断潜力.
• 目前的化学分析难以在混合物中的各种化学类别中识别有毒物质.

研究的目的:

• 评估一种以事件驱动的分类学框架,用于混合物风险评估,使用高通量选生物试验和深度学习来识别有毒物质.
• 开发深度学习模型,用于预测生物活性物质指纹,并将其转换为质谱可读信息.
• 建立"生物活性 - 标志 - 毒剂"战略,以解复杂混合物并指导非目标分析.

主要方法:

• 利用高通量选生物试验来评估沉积物混合物中的基碳化合物受体激活和氧化应激反应.
• 开发了两种深度学习模型:一种用于预测事件驱动指纹 (EDFP),另一种用于将其转换为事件驱动离子 (EDION),用于非目标分析.
• 采用气体染色学-四极飞行时间质谱法 (GC-qToF-MS) 来识别基于预测指纹和质谱数据的化合物.

主要成果:

• 目标分析解释了观察到的沉积物生物活性的不到10%,强调了需要先进的识别方法.
• 建立了两个图书馆,分别包含121个和118个指纹.
• 在沉积物提取物中确定了247种生物活性化合物,其置信度为2或3,其中12种有毒物质通过分析证实使用参考标准.

结论:

• 开发的深度学习框架和"生物活性-标志-毒剂"战略有效地解构复杂的化学混合物.
• 这种方法增强了连接不同数据集的能力,并指导针对引起类似生物活性的不同化学物质的非目标分析.
• 该研究提供了一个强大的工具,用于识别环境样本中的有毒物质,改进风险评估和化学品优先级.