使用可解释的机器学习来预测化学品对眼睛和皮肤的刺激和腐蚀性

科学领域:

• 毒理学 毒理学 毒理学
• 计算化学的计算化学
• 机器学习 机器学习

背景情况:

• 个人护理产品,化品和工业应用中的化学物质可以引起明显的眼睛和皮肤刺激.
• 传统的动物刺激性检测是昂贵的,道德上具有挑战性,资源密集,限制了其在初步查中的使用.
• 开发替代方法对于有效和道德的危险评估至关重要.

研究的目的:

• 开发和验证用于预测化学眼睛和皮肤刺激的机器学习和深度学习模型.
• 通过可解释性分析,提供对化学刺激的结构决定因素的见解.
• 为非专业人士创建一个易于使用的工具,以评估化学刺激潜力.

主要方法:

• 综合大型实验数据集 (眼部刺激3316,皮肤刺激3080) 用于模型培训.
• 开发和评估各种机器学习和深度学习模型.
• 进行了多层次的解释性分析 (数据集,分子,原子) 并确定了结构性警报.

主要成果:

• 在外部验证组中,表现最好的模型在眼部刺激方面达到73.0%,皮肤刺激方面达到75.1%的平衡精度.
• 解释性分析揭示了与刺激相关的关键结构碎片.
• 开发了一个可视化界面,以便非专家轻松预测.

结论:

• 计算模型为动物试验提供了一个可行的替代方案,用于评估化学刺激性.
• 开发的模型和识别的结构性警报可以帮助评估各种行业的化学品的危险性.
• 这种方法促进了更安全的产品开发和监管合规性.