在非传统的建模框架c-RASAR中应用化学相似性测量,并将维度减小技术与代表性肝毒性数据集相结合

科学领域:

• * 计算化学和化学信息学
• * 毒理学和药物安全性评估
• * 机器学习和人工智能在化学研究中的应用

背景情况:

• * 化学信息学的传统机器学习 (ML) 模型依赖于标准分子描述器.
• *预测化学毒性,如肝毒性,对于药物开发和化学安全至关重要.
• *现有的方法往往缺乏解释性,可能无法完全捕捉复杂的结构-活动关系.

研究的目的:

• * 开发和验证一个新的分类阅读跨结构-活动关系 (c-RASAR) 建模框架.
• * 通过结合Read-Cross衍生相似性和基于错误的描述器来改善化学肝毒性的预测.
• *使用可解释AI (XAI) 技术提高预测模型的可解释性.

主要方法:

• * 通过结合定量结构-活动关系 (QSAR) 和 Read-Across 概念,开发c-RASAR模型.
• * 运用与传统的QSAR描述符一起使用Read-Across衍生相似性和基于错误的描述符.
• * 应用各种分类ML算法,缩小维度技术 (t-SNE,UMAP) 和ARKA框架用于模型开发和验证.
• *对测试集和外部数据集的模型性能进行评估,包括与之前报告的模型进行比较.

主要成果:

• *c-RASAR描述符在分组类似化合物和识别活动悬崖方面表现优于标准QSAR描述符.
• *开发的c-RASAR模型,特别是线性LDA模型,显示出对肝毒性的高预测性.
• *可解释AI (XAI) 与Read-Across相结合,提供了对描述器贡献和化学多样性的见解.
• * LDA c-RASAR模型在美国FDA色书数据集和外部数据集上表现优于之前报告的模型.

结论:

• *c-RASAR方法提供了一种简单,可重复和可转移的方法来预测化学肝毒性.
• *RASAR描述符增强可建模性,并促进活动悬崖的识别,改进了传统的QSAR描述符.
• *LDA c-RASAR模型是一种高度预测和可解释的工具,适用于查化学肝毒性.
• *这种方法促进了ML和Read-Across在化学信息学中的应用,用于化学安全评估.