开发基于分类的机器学习模型,用于评估与塑料包装相关的化学品的毒性
Md Mobarak Hossain1, Kunal Roy1
1Drug Theoretics and Cheminformatics (DTC) Laboratory, Department of Pharmaceutical Technology, Jadavpur University, Kolkata 700032, India.
Journal of hazardous materials
|December 5, 2024
概括
机器学习模型准确地预测塑料包装的化学毒性,有助于保护公共健康. 这些模型为传统的毒性评估方法提供了可扩展,高效的替代方案.
科学领域:
- 计算毒理学计算毒理学
- 材料科学是一种材料科学.
- 公共卫生 公共卫生
背景情况:
- 评估塑料包装中的化学毒性对于公共卫生至关重要.
- 传统的毒性评估方法可能耗时且资源密集.
研究的目的:
- 开发和评估用于预测塑料包装中化学毒性的机器学习模型.
- 确定影响毒性终点的关键化学描述剂.
主要方法:
- 在化学结构数据集上训练随机森林,SVM,LDA和后勤回归模型.
- 利用二维分子描述器和各种重新抽样技术来进行数据平衡.
- 采用五倍交叉验证,用于优化的网格搜索,以及用于特征重要性的SHAP值.
主要成果:
- 模型在多种毒性终点的训练和测试集上都取得了高精度 (≥0.8).
- SHAP分析确定了有助于毒性预测的显著描述因素.
- 排名差异总和 (SRD) 方法促进了最佳模型选择.
结论:
- 开发了准确和可解释的机器学习模型,用于预测塑料包装的化学毒性.
- 这些模型为危险化学品的早期查提供了可扩展和高效的解决方案.
- 该方法支持通过快速毒性评估来加强公共卫生保护.
更多相关视频
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
7.2K
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
13.8K
