BCDPi:一种可解释的多任务深度神经网络模型,用于预测鱼类中的化学生物度.
Zhaoyang Chen1, Na Li1, Ling Li1
1Shandong Engineering and Technology Research Center for Pediatric Drug Development, Shandong Medicine and Health Key Laboratory of Clinical Pharmacy, Department of Clinical Pharmacy, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Jinan, 250014, China.
Environmental research
|November 16, 2024
概括
这项研究引入了一个深度学习模型来预测化学生物度潜力,帮助评估环境风险. 该工具BCdpi-predictor为监管框架提供了准确和可解释的预测.
科学领域:
- 环境化学环境化学
- 毒理学 毒理学 毒理学
- 计算化学是一种计算化学.
背景情况:
- 准确预测化学物质的生物度对于环境风险和毒理学评估至关重要.
- 现有的方法可能缺乏监管决策的准确性或解释性.
研究的目的:
- 开发一个强大的多任务深度学习模型来预测化学生物度潜力.
- 为评估化学化合物的环境风险提供一个可解释的工具.
主要方法:
- 开发了一种多任务深度学习模型,将化合物分为非生物度 (非BC),弱生物度 (弱BC) 和强生物度 (强BC) 的类别.
- 哈普利添加式扩展 (SHAP) 技术用于模型解释.
- 训练并评估二元和三元分类模型的预测性能.
主要成果:
- 二元分类模型实现了>90%的准确性和0.95 AUC.
- 三元分类模型的整体准确率为91.11%.
- 影响生物度的关键物理化学性质包括分子量,极地表面积,可溶性和键;确定了八个结构警报.
结论:
- 开发的深度学习模型提供了化学生物度潜力的准确和可解释的预测.
- 该BCdpi-预测器在线工具可免费使用,支持环境风险评估和REACH等监管框架.
- 这些发现为环境安全评估中的化学生物度预测提供了有价值的工具和见解.


