可解释的机器学习揭示了关键预测因子和默认值在一个扩展的数据库的人体在体外皮肤吸收研究与农药
Regulatory toxicology and pharmacology : RTP
|March 6, 2025
概括
这项研究引入了农药的新默认皮肤吸收值,这对于准确的风险评估至关重要. 机器学习确定了影响皮肤吸收的关键因素,改善了农药应用者和公众的安全评估.
科学领域:
- 环境毒理学环境毒理学
- 皮肤吸收研究 皮肤吸收研究
- 风险评估 风险评估
背景情况:
- 对植物保护产品的皮肤暴露是个人处理或靠近农药的主要关注点.
- 准确的皮肤吸收评估对于评估农药暴露风险至关重要.
- 目前的风险评估通常依赖于通用皮肤吸收值或横读数据.
研究的目的:
- 通过评估体外人类皮肤皮肤吸收数据来支持非食农药风险评估.
- 为各种农药配方开发改进的默认皮肤吸收值.
- 使用机器学习识别影响皮肤吸收的关键物理化学参数.
主要方法:
- 分析了759个符合良好实验室实践 (GLP) 的体外人体皮肤皮肤吸收研究.
- 利用可解释的机器学习,特别是贝叶斯增量回归树 (BART).
- 通过引导方法确定非参数的置信区间的默认值.
主要成果:
- 记录Pow和分子量被确定为皮肤吸收的最重要的预测因素.
- 对于缩剂 (如10%的有机溶剂) 和稀释剂 (如42%的有机溶剂) 的既定皮肤吸收值.
- 基于有机溶剂的配方数据可以作为水基和固体配方的保守替代品.
结论:
- 该研究提供了基于数据的默认皮肤吸收值,用于农药风险评估.
- 机器学习模型增强了对影响农药皮肤吸收的因素的理解.
- 拟议的方法为评估农药暴露提供了更精细的方法,特别是当实验数据有限时.


