机器学习驱动的眼部刺激毒性的预测:In silico和in vitro研究的整合
Shanshan Chen1, Jiaxin Wang1, Lu Hao2
1School of Basic Medical Sciences, Southwest Medical University, Luzhou 646000, China.
Toxicology and applied pharmacology
|July 4, 2025
概括
这项研究引入了一个新的计算和实验框架,用于评估眼部刺激 (EI) 毒性. 该方法用可靠的AI驱动预测和体外验证取代动物试验,增强化学品安全评估.
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
- 在体外检测中进行检测.
背景情况:
- 眼部刺激 (EI) 毒性评估面临道德挑战,因为依赖动物试验.
- 开发可靠的动物试验替代品对于现代化学品安全评估至关重要.
研究的目的:
- 为眼部刺激毒性评估提供一个综合的计算和实验框架.
- 建立符合全球3Rs倡议的伦理化学安全评估范式.
主要方法:
- 使用了5220种化合物,具有11个分子指纹和13个分子描述符 (MD).
- 开发了252个使用6个机器学习 (ML) 算法进行5倍交叉验证的预测模型.
- 使用体外角膜上皮质测定验证的预测.
主要成果:
- 通过优化的ML模型实现了极高的预测准确性 (0.977测试组性能).
- 实验验证证了计算预测的可靠性.
- 通过计算与实验的协同作用,成功取代了动物试验.
结论:
- 经过验证的框架提供了一种可靠,道德和加速的方法来查眼部刺激的毒性.
- 这种方法提高了预测可靠性,并解决了跨物种推断的局限性.
- 这种方法对下一代化学风险评估具有变革性的潜力.


