使用概念密度功能理论描述器和可解释的无代码机器学习方法预测酸芳的致变活性
Andrés Halabi Diaz1,2,3, Mario Duque-Noreña1,4, Elizabeth Rincón5
1Departamento de Ciencias Químicas, Facultad de Ciencias Exactas, Universidad Andrés Bello, Avenida Republica 275, Santiago 8370146, Chile.
预测酸芳香化合物变异性对于安全至关重要. 这项研究使用计算化学和机器学习准确预测基因毒性风险,增强化学品安全评估.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 化学安全 化学安全 化学安全
背景情况:
- 酸芳香化合物 (NAs) 具有工业相关性,但具有基因毒性风险.
- 准确的突变性预测对于化学安全评估至关重要.
- 对于可靠的风险评估,现有的方法需要改进.
研究的目的:
- 开发和验证一个预测模型的酸芳香化合物变异性.
- 将概念密度函数理论 (CDFT) 描述符与机器学习 (ML) 模型集成.
- 评估水相性质对突变性预测的影响.
主要方法:
- 利用经合组织的QSAR指导方针进行特征选择和模型开发.
- 采用基于决策树的算法 (随机树,JCHAID*,SPAARC) 和多层感知子 (MLPs).
- 整合了CDFT描述器,并评估了LogP (LogQP) 的新型电子模拟器.
主要成果:
- 实现了高预测准确度:内部>80%和外部~90%.
- 模型显示出强大的可解释性和稳定性.
- 水相电子特性和电友性描述器的性能优于真空方法.
结论:
- 结合的CDFT描述符和浅ML模型为预测毒理学提供了一个强大的,可解释的框架.
- 这种方法增强了化学品风险评估,并支持监管应用.
- 这项研究强调了水相性质在预测NA突变性方面的重要性.
更多相关视频
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Mutagenicity and Carcinogenicity
Molecular Models
Physical Properties of Amines
meta-Directing Deactivators: –NO2, –CN, –CHO, –⁠CO2R, –COR, –CO2H
