DeepRA:一种新的深度学习-阅读-跨越框架及其在非糖甜味剂中的应用 突变性预测
1Division of Pharmaceutical Chemistry, Faculty of Pharmaceutical Sciences, Khon Kaen University, 40002, Thailand.
Computers in biology and medicine
|June 13, 2024
概括
一种新的计算方法DeepRA使用深度学习和横读算法准确预测化学变异性. 该工具有助于评估非糖类甜味剂和其他食品化学品的安全性.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 食品安全科学 食品安全科学
背景情况:
- 自第二次世界大战以来,非糖甜味剂 (NSS) 已被广泛使用.
- 有关NSS的变异性存在担忧,需要对食品和制药化学品进行严格的安全评估.
- 传统的体内突变性检测是耗时的,昂贵的,并且在道德上令人担忧.
研究的目的:
- 开发一种新的计算方法来预测化学变异性.
- 使用开发的计算模型评估NSS相关化学品的突变性.
- 为化学品监管和风险评估提供一个公开的工具.
主要方法:
- 开发了DeepRA,这是一个集成集体卷积深度神经网络和横读算法的计算模型.
- 利用精选的Ames测试数据进行模型培训和验证.
- 包含分子描述符和分子指纹,用于化学表示.
主要成果:
- DeepRA模型在一个独立的测试集上证明了准确可靠的突变致病性分类.
- 该模型已成功应用于评估NSS相关物质的突变性.
- 开发的计算方法为体内测试提供了一个更快,更便宜,更道德的替代方案.
结论:
- DeepRA提供了一个强大的计算工具,用于突变致病性评估.
- 这种方法有助于对NSS和类似化学品的安全性评估.
- DeepRA的公开可用性支持化学工业的监管决策和风险评估.
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
17:28Human Pluripotent Stem Cell Based Developmental Toxicity Assays for Chemical Safety Screening and Systems Biology Data Generation
Published on: June 17, 2015
12.6K
