通过机器学习推进新出现的环境污染物的非目标分析:当前状态和未来影响
Alexa Canchola1, Lillian N Tran2, Wonsik Woo2
1Environmental Toxicology Graduate Program, University of California, Riverside, CA 92521, United States; Department of Environmental Sciences, College of Natural & Agricultural Sciences, University of California, Riverside, CA 92521, United States.
机器学习 (ML) 增强非目标分析 (NTA) 以检测新出现的环境污染物 (EEC). 这种方法改善了鉴定,量化和毒性预测,有助于环境监测和公共卫生保护.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 计算化学的计算化学
背景情况:
- 新兴的环境污染物 (EEC) 由于结构多样性和有限的标准,存在检测挑战.
- 传统的有针对性的选方法不足以识别未知的污染物.
- 高分辨率质谱 (HRMS) 与非目标分析 (NTA) 相结合,对于污染物识别至关重要.
研究的目的:
- 审查机器学习 (ML) 的进展,以加强欧洲经济共同体的NTA.
- 探索计算工具在NTA工作流程中的集成.
- 讨论 ML 辅助环境分析的未来前景和挑战.
主要方法:
- 对NTA的ML应用的最近发展情况的审查.
- 专注于用于优化工作流程的计算工具.
- 检查化学品识别,定量和毒性预测的改进方法.
主要成果:
- 机器学习模型显著改善了复杂的HRMS数据集的解释.
- 进步包括优化工作流程,增强结构识别和更好的量化.
- ML有助于预测已识别的污染物的毒性.
结论:
- 用ML辅助的NTA提供了一种强大的方法来检测和评估EECs.
- 解决ML工具改进和验证的挑战是更广泛应用的关键.
- 将ML纳入风险评估框架将改善环境监测和公共卫生保护.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
06:54Author Spotlight: Understanding and Detecting Environmental Antimicrobial Resistance by Combining Culture-Based Techniques and Genomics
Published on: July 19, 2024
相关概念视频
Steps in Outbreak Investigation
MALDI-TOF Mass Spectrometry
Matrix-assisted laser desorption ionization (MALDI) is a commonly...
