基于共识的智能预测,根据经合组织测试指南210对鱼类的早期生命阶段毒性进行测试
Souvik Pore1, Alexia Pelloux2, Anders Bergqvist2
1Drug Theoretics and Cheminformatics Laboratory, Department of Pharmaceutical Technology, Jadavpur University, 188 Raja S C Mullick Road, 700032, Kolkata, India.
Aquatic toxicology (Amsterdam, Netherlands)
|December 26, 2024
概括
这项研究开发了预测性定量结构-活动关系 (QSAR) 模型,以评估生命早期阶段 (ELS) 鱼类的化学毒性,减少实验需求. 这些模型成功预测了慢性影响,有助于化学安全评估.
科学领域:
- 环境毒理学环境毒理学
- 计算化学的计算化学
- 化学品风险评估 化学品风险评估
背景情况:
- 对鱼类的早期生命阶段 (ELS) 毒性测试对于评估化学物质影响至关重要,特别是在REACH等法规下.
- 式方法为化学品的实验性毒性测试提供了具有成本效益的替代方案.
- 预测模型对于选和优先考虑具有有限或无可获得的毒性数据的化学品至关重要.
研究的目的:
- 开发和验证用于评估鱼类ELS慢性毒性的预测性定量结构-活性关系 (QSAR) 模型.
- 利用可靠来源的现有毒性数据用于模型开发.
- 通过in silico预测来加强化学品优先级和安全评估.
主要方法:
- 从J-CHECK和eChemPortal (经合组织TG 210) 收集的ELS鱼类毒性数据 (NOEC,LOEC).
- 开发了六个部分最小平方 (PLS) 模型,用于NOEC和LOEC终点的各种描述符组合.
- 采用共识建模来提高未知化学品的预测准确度.
主要成果:
- 开发了具有高预测性能的共识和个体QSAR模型 (例如,共识模型3:Q2F1=0.71,Q2F2=0.71;个体模型3:Q2F1=0.80,Q2F2=0.79).
- 通过实验使用9种工业化学品的数据验证了模型.
- 从农药特性数据库 (PPDB) 和药物银行成功选和优先考虑化学品.
结论:
- 开发的QSAR模型为慢性ELS鱼类毒性提供了可靠的预测.
- 这些in silico工具可以显著减少在化学安全评估中对动物进行广泛测试的需求.
- 这些模型对于监管选和优先考虑PPDB和DrugBank.Bank等数据库中的化学品是有价值的.
