通过设计以数据挖掘和机器学习技术为中心的替代的预测二元分类模型来评估污染风险
Aubin N'guessan1, Brice Dali1, Elvice Akori Esmel1
1Fundamental Applied Physics Laboratory (FAPL), University of Abobo-Adjamé (Now Nangui ABROGOUA), Abidjan 02, Côte d'Ivoire.
定量结构毒性关系 (QSTR) 模型快速评估化学安全性. 一个CART决策树模型有效地预测了Tetrahymena pyriformis对衍生物的毒性.
科学领域:
- 计算毒理学和化学信息学
- 开发化学安全评估的预测模型.
背景情况:
- 监管机构越来越需要快速进行化学安全评估.
- 传统动物试验在时间和成本方面的局限性.
- 在化学法规中偏好量化结构毒性关系 (QSTR) 模型.
研究的目的:
- 评估机器学习 (ML) 模型来预测衍生物化合物的毒性.
- 为QSTR应用确定一个可靠和可解释的模型.
- 为BZC毒性预测制定一套决策规则.
主要方法:
- 四个二进制分类ML模型的评估:支持向量机,k-最近邻居,CART决策树和随机森林.
- 使用ClustOfvar进行最佳特征选择和SMOTE进行数据平衡.
- 外部验证使用5倍交叉验证1416种衍生化合物 (708种无毒,708种有毒).
主要成果:
- CART决策树 (DT) 模型表现出卓越的性能.
- 获得的高精度指标:Q=95. 42%,精度=96. 60%,回忆=94. 67%,F评分=95. 62%,特异性=96. 27%,MCC=0. 91,AUC=1. 0.
- 确定了10个人类可读的决策规则,用于预测BZC毒性.
结论:
- CART决策树模型是QSTR的一个强有力的解释工具.
- 开发的方法可以帮助填补数据缺口,并优先进行化学安全测试.
- 建议的方法有助于有效识别危险的有机化学品.
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
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Statistical Methods for Analyzing Epidemiological Data
Electrophilic Aromatic Substitution: Sulfonation of Benzene
Steps in Outbreak Investigation
Nomenclature of Aromatic Compounds with a Single Substituent
Electrophilic Aromatic Substitution: Chlorination and Bromination of Benzene
