使用基于特征合和集体学习算法的预测模型,对海洋藻类毒素的线粒体毒性预测
Guangyin Jia1, Ruiji Zhang2, Xinyi Zheng1
1Department of Bioengineering, Harbin Institute of Technology, Weihai, Shandong, China.
Toxicology mechanisms and methods
|March 25, 2025
概括
这项研究开发了一个计算模型来预测藻类毒素的线粒体毒性,确定了两种毒素是有害的. 这种方法有助于管理海洋生物毒素带来的环境健康风险.
科学领域:
- 生态毒理学 生态毒理学
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
背景情况:
- 藻类毒素对人类健康构成环境风险.
- 线粒体毒性是生态毒理学的关键问题,需要有效的查方法.
- 传统的毒性测试方法有局限性,推动了对计算方法的需求.
研究的目的:
- 从公开可用的数据创建最大的线粒体毒性数据集.
- 开发一种强大的定量结构-活性关系 (QSAR) 查模型,以检测藻类毒素的线粒体毒性.
- 增强开发模型的可解释性和应用领域.
主要方法:
- 编译了公开可用的数据集,以建立一个全面的线粒体毒性数据库.
- 开发了一个使用12个分子指纹和318个描述符的QSAR模型.
- 采用机器学习算法,包括加权软投票,以建立一个集体学习模型 (MACCS_LK).
- 使用SHAP分析和结构警报进行机械解释.
主要成果:
- 建立了MACCS_LK组合模型作为查线粒体毒素的最佳执行者.
- 证明了MACCS指纹在表示线粒体毒性的有效性.
- 确定了对毒性的预测至关重要的脂性结构和物理化学性质.
- 预测了六种藻类毒素的线粒体毒性,确定了两种具有毒性作用.
结论:
- 开发的QSAR模型可靠且准确地预测藻类毒素的线粒体毒性.
- 该模型有助于确定与海洋生物毒素相关的环境健康风险.
- 这种计算方法为查和管理线粒体毒素提供了有价值的工具.
