基因算法多重线性回归和机器学习驱动的QSTR建模用于固醇生物合成抑制剂杀菌剂的急性毒性
Mohsen Abbod1,2, Naser Safaie2, Khodayar Gholivand3
1Department of Plant Protection, Faculty of Agriculture, Al-Baath University, Homs, Syria.
Heliyon
|September 9, 2024
概括
开发了定量结构-毒性关系模型来评估杀菌剂风险. 人工神经网络 (ANN) 在预测固醇生物合成抑制剂 (SBI) 的急性毒性方面表现出卓越的表现,有助于危险评估.
科学领域:
- 环境化学环境化学
- 毒理学 毒理学 毒理学
- 计算化学计算化学
背景情况:
- 固醇生物合成抑制剂 (SBI) 是广泛使用的杀菌剂.
- 有关它们对非标生物和人类的毒性存在担忧.
研究的目的:
- 开发定量结构-毒性关系 (QSTR) 模型,以评估45种SBI的急性毒性.
- 确定影响SBI毒性的关键分子描述因素.
主要方法:
- 使用遗传算法 (GA) 选择分子描述符.
- 开发了使用多重线性回归 (MLR),支持向量回归 (SVR) 和人工神经网络 (ANN) 的QSTR模型.
- 使用交叉验证,Y随机化,适用性领域和外部测试验证的模型.
主要成果:
- 一个ANN模型显示出最好的预测性能 (R2=0.8,R2cv=0.74,R2test=0.7).
- MLR (R2=0.72) 和SVR (R2=0.7) 模型也显示出令人满意的结果.
- 所有模型都通过了内部和外部验证,证实了它们的稳定性.
结论:
- 开发的QSTR模型为评估SBI毒性提供了可靠的工具.
- 这些模型可以帮助评估当前和未来SBI申请的风险.
- 支持为更安全的农业实践做出明智决策.
