在Labeo rohita中改进了对有机化合物,包括有毒有机酸盐和多循环化合物的毒性进行预测建模,使用可解释的结构参数
Mohammad Hossein Keshavarz1, Azar Amraei Monfared2
1Faculty of Applied Sciences, Malek-Ashtar University of Technology, Shahin-Shahr, Iran. mhkeshavarz@mut-es.ac.ir.
概括
使用可解释的结构参数的新模型准确地预测了Labeo rohita (rohu) 鱼的毒性. 这种方法改进了传统的定量结构-活性关系 (QSAR) 和定量跨读结构-活性关系 (q-RASAR) 的生态毒理风险评估模型.
科学领域:
- 生态毒理学和环境化学
- 计算化学和化学信息学
背景情况:
- 水生生态系统面临来自生物制剂和工业应用的化学污染.
- 拉贝奥罗希塔 (Labeo rohita) 是一种重要的淡水鱼物种,对全球水产养殖至关重要.
- 现有的毒性预测模型 (QSAR,q-RASAR) 依赖于有机化合物的复杂描述符.
研究的目的:
- 开发一种新的,可解释的模型,用于预测Labeo rohita上的有机化合物的毒性.
- 与现有方法相比,提高生态毒理学预测的准确性和可靠性.
主要方法:
- 引入可解释的结构参数来预测pLC50值 (中位数致死度的逆数对数).
- 与传统的定量结构-活动关系 (QSAR) 和定量读横结构-活动关系 (q-RASAR) 模型相比,新模型的预测精度的比较.
- 适用性领域 (AD) 分析,以评估新预测模型的可靠性和范围.
主要成果:
- 新模型显示出卓越的预测准确性,通过高确定系数 (R2) 和一次遗漏交叉验证 (Q2LOO) 评分进行验证.
- 适用性领域分析证实了297种化合物的可靠毒性预测,可靠性率为93%.
- 开发的模型显著优于传统的QSAR和q-RASAR模型,其可靠性达到81%.
结论:
- 新型模型为评估鱼类毒性提供了更准确和可靠的方法,提高了环境风险评估.
- 这一进步有助于填补监管框架内的关键毒性数据缺口.
- 这些发现有助于开发更安全的化学替代品和改善生态毒理学预测工具.
更多相关视频
05:47In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
14.1K
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.8K
