单任务回归自然适应多种 (生态) 毒理学建模:动物实例研究

科学领域:

• 计算毒理学和环境科学.
• 开发用于化学安全评估的预测模型.

背景情况:

• 在 (生态) 毒理学建模对于评估对生态系统,动物和人类的化学风险至关重要.
• 当前的局部和多任务模型在多个物种的适用性上有局限性,并且需要跨物种的共同数据点.

研究的目的:

• 为适应性多种 (生态) 毒理学建模提出一个单一任务回归策略.
• 克服现有模型在处理各种物种数据集的局限性,而无需常见的农药.

主要方法:

• 在10个动物群体中对29140种农药进行了总计37,305次生态毒理学测量.
• 训练了四种机器学习模型:极端梯度增强 (XGBoost),深度神经网络 (DNN),随机森林 (RF) 和支持向量回归 (SVR).
• 采用五重分层交叉验证来评估模型性能.

主要成果:

• XGBoost表现出卓越的性能,其R2为0.67,RMSE为0.44,MAE为0.29. 这两种表现均为优异.
• 与局部模型相比,单任务回归模型实现了0.080.49的R2显著增加.
• 摩根比特389 (一个五原子芳香环碎片) 被XGBoost确定为一个关键预测器.

结论:

• 拟议的单任务回归策略有效地将生态毒理学建模适应多种物种.
• 这种方法促进了数据增强和物种间知识传输,提高了预测准确度.
• 案例研究通过分析农药的毒性和结构相似性来证实该模型的可信性.