在纳米信息学中应用的循环组合方法:对纳米材料泽塔潜力的共识预测
Dimitra-Danai Varsou1,2, Arkaprava Banerjee3, Joyita Roy3
1NovaMechanics MIKE, Piraeus 18545, Greece.
Beilstein journal of nanotechnology
|December 3, 2024
概括
共识建模,一种用于评估机器学习 (ML) 模型的新方法,提高了纳米信息学预测的可靠性. 这种方法增加了对计算毒理学的信心,并支持监管机构接受非动物试验策略.
科学领域:
- 纳米毒理学研究
- 计算毒理学计算毒理学
- 在模型建模.
背景情况:
- 非动物试验方法的监管认可依赖于实验室间的比较 (循环).
- 共识建模正在成为评估计算模型的圆环赛的"建模等价".
- 需要标准化方法来评估纳米信息学预测模型的性能.
研究的目的:
- 展示一种新的共识建模方法,用于评估多个机器学习 (ML) 模型.
- 评估ML模型的性能,以预测纳米材料的zeta潜力.
- 增强对纳米信息学模型预测的信心,并支持监管机构的接受.
主要方法:
- 使用了公开可用的纳米材料泽塔潜力的数据集.
- 五个不同的ML模型是由四个国际研究小组开发的.
- 单个模型被整合到一个共识建模方案中.
主要成果:
- 与单个模型相比,共识模型显示出更好的预测准确性和更少的偏差.
- 开发的共识方法在预测纳米材料泽塔潜力方面表现优于单个ML模型.
- 这种方法为纳米材料特性提供了更可靠的预测.
结论:
- 共识建模是验证纳米信息模型的一个有价值的方法.
- 这种方法增加了对纳米材料风险评估的in silico预测的信心.
- 该方法支持将计算方法集成到监管框架中,例如综合测试和评估方法 (IATA).
