基于机器学习的QSAR模型用于预测五种常见微塑料的细胞毒性

科学领域:

• 环境毒理学环境毒理学
• 计算毒理学计算毒理学
• 生物医学科学 生物医学科学

背景情况:

• 微塑料 (MP) 构成环境和健康风险.
• 预测MP的毒性对于风险评估至关重要.
• 机器学习 (ML) 为毒性预测提供了先进的计算工具.

研究的目的:

• 开发和评估基于ML的定量结构-活性关系 (QSAR) 模型,用于预测BEAS-2B细胞上的MP毒性.
• 确定影响MP毒性的关键特征.
• 评估开发模型的预测性能和适用性领域.

主要方法:

• 六个ML算法被用来构建QSAR模型.
• 模型性能使用R2值来评估训练和测试数据集的模型性能.
• 用嵌入式特征重要性 (EFI),递归特征消除 (RFE) 和夏普利添加式扩展 (SHAP) 来确定特征的重要性.
• 威廉姆斯图形分析被用来评估模型适用性领域.

主要成果:

• 极端梯度增强模型显示出优异的预测性能 (R2_tra = 0.9876,R2_test = 0.9286).
• 所有六种开发的模型都在它们的适用性领域内表现出稳定的预测,与最小的异常值.
• 在所有特征重要性方法中,粒子大小始终被确定为影响MP毒性预测的最重要特征.

结论:

• 开发的QSAR模型提供了一种可靠的方法来预测MP的毒性.
• 颗粒大小是MP毒性的关键决定因素.
• 这些模型可以支持初步的环境暴露评估,并提高对MP相关健康风险的理解.