可解释的机器学习模型用于预测Vibrio qinghaiensis sp.-Q67上的二元抗生素混合物的hormesis

科学领域:

• 环境毒理学环境毒理学
• 计算化学的计算化学
• 生态毒理学 生态毒理学
• 机器学习 机器学习

背景情况:

• 抗生素混合物中的霍梅西斯现象使环境风险评估复杂化,原因是缺乏化学混合物的预测模型.
• 了解混合物毒性对于有效管理水污染物和生态健康至关重要.

研究的目的:

• 开发一种新的机器学习分类方法,用于预测二元抗生素混合物的霍尔梅西斯效应.
• 评估抗生素混合物对Vibrio qinghaiensis sp.-Q67.Q的时间依赖性毒性.
• 确定影响抗生素混合物的生物活性和激素的关键分子决定因素.

主要方法:

• 使用九个算法开发了一个机器学习框架,包括基础模型和集合模型的堆叠泛化.
• 随机森林模型被评估为它在区分hormesis和非hormesis反应中的准确性.
• 沙普利增量解释 (SHAP) 方法用于特征解释,以确定关键的分子决定因素.

主要成果:

• 275种二元抗生素混合物的81.1%在24小时内表现出hormesis,从12小时54.1%显著增加,表明时间依赖的放大.
• 随机森林模型实现了92.8%的准确性 (AUC>0.985),超过了其他算法.
• 固态阻碍,电子移位和键网络被确定为预测hormesis的关键因素 (SsssN,SpMax6_Bhs,nHCsatu).

结论:

• 一个强大的机器学习框架可以准确地预测抗生素混合物的hormesis效应.
• 该研究为生态风险评估和水污染物的智能管理提供了至关重要的工具.
• 了解分子决定因素可以提高预测复杂化学混合物的生物活动.