基于高吞吐量查数据的深度神经网络模型的开发,用于预测消费品二元混合物的协同雌激素活性

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:

• 化学风险评估正在从单一物质转向混合物,以解决"尾酒效应".
• 内分泌干扰化学物质 (EDC) 在消费品和环境污染物中普遍存在.
• 预测EDC混合物的协同毒理效应仍然是一个重大挑战.

研究的目的:

• 调查韩国消费品中的物质是否具有雌激素活性和生殖毒性.
• 系统地评估已识别的潜在EDC二元混合物的协同雌激素活性.
• 开发和比较机器学习模型,用于预测EDC混合物的协同效应.

主要方法:

• 一种高通量选 (HTS) 试验 (经合组织试验指南455) 用于选435种物质的雌激素活性.
• 35个已识别的雌激素激动剂被用来制造1412个二元混合物,在四个比率中进行测试.
• 开发和比较深度神经网络和随机森林模型,以预测协同雌激素活性.

主要成果:

• 从435种选的物质中确定了35种潜在的雌激素激动剂.
• 对35种物质和917种混合物得出经验剂量反应曲线.
• 深度神经网络模型实现了0.837-0.881的曲线下的高面积 (AUC) 来预测协同活动,优于随机森林模型 (AUC:0.656-0.829).

结论:

• 该研究成功地确定了潜在的雌激素物质及其混合物.
• 开发的机器学习模型在预测化学混合物的协同雌激素效应方面表现出有希望.
• 这项研究为对内分泌干扰化学品的化学风险评估提供了更全面的方法.