基于知识的机器学习,用于预测和理解斑马鱼中受体 (AR) 介导的生殖毒性
Lei Xin1, Sisi Liu1, Wenjun Shi1
1School of Environment, MOE Key Laboratory of Theoretical Chemistry of Environment, South China Normal University, Guangzhou 510006, China; Environmental Research Institute, Guangdong Provincial Key Laboratory of Chemical Pollution and Environmental Safety, South China Normal University, Guangzhou 510006, China.
Environment international
|September 6, 2024
概括
一个新的深度神经网络模型准确地预测了损害女性生育能力的内分泌干扰化学物质. 这种计算毒理学方法有效地选化学物质的生殖毒素,识别塑料添加剂和工业物质的潜在威胁.
科学领域:
- 计算毒理学计算毒理学
- 内分泌学 在内分泌学.
- 环境科学环境科学
背景情况:
- 鉴定激活雄激素受体 (AR) 的内分泌干扰化学物质 (EDC) 的传统方法是无效的.
- 开发EDC的高通量选方法对于环境和健康安全至关重要.
研究的目的:
- 开发基于知识的深度神经网络模型 (AR-DNN),用于预测AR介导的对雌性斑马鱼生育的不良结果.
- 从化学数据库中识别潜在的生殖毒素及其机制.
主要方法:
- 一个五层的虚拟AR诱导的不良结果路径 (AOP) 使用化学指纹作为输入被实施.
- 一个深度神经网络模型 (AR-DNN) 被训练并验证,用于预测AR介导的毒性.
- 来自PLASTICMAP和IECSC数据库的化学品使用AR-DNN模型进行了选.
主要成果:
- AR-DNN模型在查生殖毒性物质方面表现出高精度 (AUC = 0.94,精度 = 0.85).
- 在PLASTICMAP和IECSC数据集中分别发现了与不孕症相关的1477种和2448种化学物质.
- 具有类固醇结构的染料被确定为通过AR结合,DNA结合和转录激活对不孕症的主要贡献者.
结论:
- 该AR-DNN模型提供了一种高效且具有成本效益的计算毒理学策略,用于预测EDC效应和毒性机制.
- 该模型的预测与现有的鱼类证据保持一致,证实其在环境风险评估中的适用性.
- 这种方法有助于识别破坏内分泌系统并影响生殖健康的化学物质.
