通过机器学习推进对per-和poly-fluoroalkyl物质 (pfass) 的毒性研究:模型,机制和未来方向
Lingxuan Meng1, Beihai Zhou1, Haijun Liu2
1Beijing Key Laboratory of Resource-oriented Treatment of Industrial Pollutants, School of Energy and Environmental Engineering, University of Science and Technology Beijing, Beijing 100083, China.
机器学习 (ML) 正在通过预测和多基物质 (PFAS) 的风险来彻底改变环境毒理学. 这种方法有助于了解PFAS的毒性,并开发更安全的化学替代品.
科学领域:
- 环境科学 环境科学
- 毒理学 毒理学 毒理学
- 计算化学计算化学
背景情况:
- 和多基基物质 (PFAS) 是具有重大环境和健康问题的新兴污染物.
- PFAS复杂的毒理特征需要先进的分析方法来准确评估风险.
- 机器学习 (ML) 为毒理学中的预测和数据分析提供了强大的工具.
研究的目的:
- 审查ML在per-和多甲基物质 (PFAS) 毒性研究中的应用.
- 探索ML在为PFAS开发定量结构-活动关系 (QSAR) 模型中的作用.
- 检查ML对理解不良结果途径 (AOP) 的贡献,并推进PFAS毒性的开放研究.
主要方法:
- 关于机器学习应用的文献综述,涉及到对和多甲基物质 (PFAS) 的毒性.
- 对PFAS的ML驱动的定量结构-活动关系 (QSAR) 模型开发的分析.
- 研究ML与毒理学方法的整合,以阐明不良结果途径 (AOP).
主要成果:
- 机器学习被有效地用于预测和多基物质 (PFAS) 的毒性,并识别未知的化学物质.
- 在与传统毒理学相结合时,ML提高了对PFAS的不良结果途径 (AOP) 的理解.
- 对ML模型的特征分析为PFAS毒性的决定因素和机制提供了洞察力.
结论:
- 机器学习是快速发展的,也是对和多醇基物质 (PFAS) 毒性研究的关键工具.
- ML的整合完善了毒性预测,评估框架和对PFAS的机制理解.
- 解决ML应用中的挑战是PFAS环境毒理学未来进步的关键.
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
07:06Investigating Long-Distance Transport of Perfluoroalkyl Acids in Wheat via a Split-Root Exposure Technique
Published on: September 28, 2022
相关概念视频
Mechanistic Models: Overview of Compartment Models
Mechanistic Models: Compartment Models in Individual and Population Analysis
Pharmacodynamic Models: Overview
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
