评估母乳养婴儿的化学物质暴露风险:一种可解释的机器学习模型,用于预测母乳转移

科学领域:

• 环境化学环境化学
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 母乳对于婴儿营养至关重要,但可以转移有害的异生菌化学物质.
• 由于人类试验的伦理限制,评估这些风险具有挑战性.
• 预测性体外模型对于评估婴儿通过母乳接触化学物质的情况至关重要.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测化学物质转移到母乳中的情况.
• 解决数据不平衡,提高化学物质转移风险评估的预测准确性.
• 提供一个工具来评估与药物和环境污染物在母乳养婴儿相关的风险.

主要方法:

• 利用集体重新抽样和高级特征选择,使用平衡的随机森林分类器.
• 使用遗传算法优化特征选择.
• 集成的SHapley添加式解释 (SHAP) 用于模型解释性和结构警报分析.

主要成果:

• 该模型在内部测试中实现了0.8708的AUC和82.67%的准确性,在外部验证中达到86.36%.
• SHAP分析确定了影响高风险化合物转移的关键化学特性.
• 结构警报确定了与重大转移风险相关的分子碎片.
• 该模型确定了几种FDA批准的药物 (2019-2024) 具有很高的转移概率.

结论:

• 开发了一个强大的和可解释的AI工具,用于评估母乳中化学物质转移风险.
• 该模型有助于了解母乳养婴儿接触化学物质的风险.
• 创建了一个在线预测工具,用于医疗专业人员和研究人员实时评估风险.