机器学习对使用毒基因组学概况的稳性化合物的分类
Brian Bwanya1, Saad Lodhi1, Theo M de Kok1
1Department of Translational Genomics, GROW Research Institute for Oncology and Developmental Biology, Maastricht University, Maastricht 6229 ER, the Netherlands.
Toxicology
|July 20, 2025
概括
使用转录基因数据的机器学习模型可以预测药物诱导的肝硬化症. 支持矢量机 (SVM) 在人类和老鼠模型中表现出高精度,为化学风险评估提供了一个可扩展的工具.
科学领域:
- 毒理学 毒理学 毒理学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 新的方法方法正在推动毒性测试计算模型的开发.
- 转录组数据越来越多地用于预测化学诱导的不良影响.
- 药物诱导的肝肥胖症是化学安全评估中的一个重要问题.
研究的目的:
- 将监督机器学习应用于转录组数据,以预测药物诱导的肝硬化症.
- 在这个预测任务中评估不同机器学习分类器的性能.
- 为了获得对药物诱导的肝肥胖症背后的生物过程的机制性见解.
主要方法:
- 利用从原始人类肝细胞和大鼠肝脏模型 (体外和体内) 获得的基因表达数据的监督机器学习.
- 评估了五个机器学习分类器,使用来自开放TG-GATE数据库的微阵列数据.
- 对排名最高的预测基因进行了功能分析和丰富分析.
主要成果:
- 支持矢量机 (SVM) 在所有模型中实现了最高的预测性能 (ROC-AUC:0.820人,0.975鼠在体外,0.966鼠在体内).
- 丰富分析显示,预测基因与脂质代谢,线粒体功能,胰岛素信号和氧化应激有很强的关联.
- 像CYP1A1,PLIN2和GCK这样的关键基因与脂质代谢和肝脏疾病有关,而其他基因则表明了新的转录基因信号.
结论:
- 机器学习模型,特别是SVM,有效地使用转录组数据预测药物诱导的肝肥胖症.
- 这些模型捕获生物相关的信号,并提供机械的洞察力,进入肥胖症的病原体.
- SVM模型显示,它是一个可扩展和可解释的工具,用于化学风险评估和推进非动物试验方法.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
8.7K
11:25Multi-step Preparation Technique to Recover Multiple Metabolite Compound Classes for In-depth and Informative Metabolomic Analysis
Published on: July 11, 2014
34.0K
