多类ARKA框架用于开发改善的q-RASAR模型,用于环境毒性终点

科学领域:

• 计算毒理学和化学信息学
• 环境科学和风险评估
• 定量结构-活动关系 (QSAR) 建模.

背景情况:

• 准确的化学毒性数据对于监管和安全评估至关重要.
• 现有的定量结构-活动关系 (QSAR) 和定量跨读结构-活动关系 (q-RASAR) 模型在预测准确性和交叉验证方面存在局限性.
• 持续需要改进的建模策略,以有效地填补毒性数据缺口.

研究的目的:

• 通过整合K组分析中的算术余数 (ARKA) 框架,开发一个改进的q-RASAR工作流,称为ARKA-RASAR.
• 提高商业化学品毒性预测的准确性和可靠性.
• 为计算新型描述符和开发强大的预测模型提供一个用户友好的工具.

主要方法:

• 开发了ARKA-RASAR工作流程,将QSAR描述符和ARKA描述符结合起来,以确定化学同源之间的相似性.
• 利用五个不同的毒性数据集进行模型开发和与现有的QSAR和q-RASAR模型进行比较.
• 采用基于Java的工具,多类ARKA-v1.0,用于计算多类ARKA描述符,并开发混合ARKA-RASAR模型.

主要成果:

• 与传统的QSAR和q-RASAR模型相比,ARKA-RASAR模型显示出更高的性能,通过排名差异总和 (SRD) 分析进行验证.
• 工作流显示了强大的培训,测试和交叉验证统计数据,其中显著差异得到了最不显著差异程序的证实.
• 对农药代谢物的外部验证,用于急性鱼类毒性预测,产生了令人鼓舞和准确的结果.

结论:

• 阿尔卡-拉萨尔模型框架在预测化学毒性方面取得了重大进展,解决了以前方法的局限性.
• 开发的工作流程是直接的,可重复的,可转移的,使其在环境毒性评估中更容易采用.
• 阿尔卡-拉萨尔提出了一种有希望的方法,用于生成高度稳健和预测模型,以填补环境毒性数据中的关键缺口.