迈向使毒性相关终点的 (定量) 结构-活性关系 (Q) SARs 可查找,可访问,可互操作和可重复使用 (FAIR)

科学领域:

• 计算毒理学和化学信息学
• 开发和应用化学安全预测模型.

背景情况:

• (定量) 结构-活性关系 ((Q) SARs) 对于化学安全评估至关重要,可以预测毒理学效应.
• 许多 (Q) SAR模型存在,但可访问性和可用性仍然是重大挑战.
• 可查找性,可访问性,互操作性和重复使用 (FAIR) 原则为改善模型可访问性提供了一个框架.

研究的目的:

• 将FAIR原则应用于六个已发布的机器学习 (ML) (Q) SAR模型.
• 确定差距,并提供建议,以提高 (Q) SAR模型的公平性.
• 通过可访问的计算毒理学模型,支持无动物化学品安全评估的进步.

主要方法:

• 对六种机器学习 (Q) SAR) 模型的评估与已建立的 FAIR 原则相比.
• 分析数据和元数据的完整性,标准化和可访问性.
• 探索现有资源,如QsarDB和报告格式 (QMRF),以实现FAIR.

主要成果:

• 在评估的ML (Q) SAR模型中,大多数FAIR原则都得到了满足.
• 确定的差距包括需要独特标识符和标准化数据/元数据,用于毒理学终点,分子性质和模型描述.
• 像QsarDB这样的资源和像QAF这样的框架可以帮助存储和评估 (Q) SAR,提供DOI并提高可发现性.

结论:

• 在使 (Q) SARs FAIR方面取得了重大进展,但需要进一步的标准化和唯一识别.
• 鼓励继续努力和采用现有解决方案,以提高 (Q) SAR模型的可访问性和可用性.
• 实现FAIR计算毒理学模型对于推进无动物化学品安全性评估至关重要.