机器学习预测模型与网络毒理学分析相结合,在741种农药中确定了潜在的心脏毒性成分和机制

科学领域:

• 环境毒理学环境毒理学
• 计算毒理学计算毒理学
• 药理学 药理学是指药理学的学科.

背景情况:

• 在农业中使用农药存在重大风险,但目前预测毒性的方法效率低下,缺乏早期结构性警告.
• 现有的网络毒理学方法与个体化合物分析和对毒性的结构早期预警能力扎.

研究的目的:

• 整合机器学习 (ML) 心脏毒性预测模型与网络毒理学,以提高农药安全性评估.
• 开发一种有效的方法来预测大量农药中的心脏毒性,并确定结构性警报.
• 通过实验数据验证预测模型,并探索农药诱导心脏毒性的潜在分子机制.

主要方法:

• 开发并优化了一种随机森林 (RF) 模型,用于使用741种常见农药的数据集来预测农药心脏毒性.
• 使用外部数据集和斑马鱼模型的实验数据验证了射频模型的性能.
• 采用网络毒理学,分子对接和毒性结构匹配,以阐明机制并确定与心脏毒性相关的结构特征.

主要成果:

• 最优的射频模型实现了0.81的曲线下面面积 (AUC),外部验证集超过0.70AUC.
• 该模型在741种农药中确定了6种具有心脏毒性概率>0.90的农药,包括硫酸铜.
• 斑马鱼实验证实了对高概率农药的心脏毒性,显示了心肌亡加速,心率降低和红细胞分布改变,在各种测试中准确率高 (81-100%).

结论:

• 综合ML和网络毒理方法为预测农药心脏毒性和识别结构性警报提供了可靠的方法.
• 模型中确定的高风险农药需要优先考虑的预防策略,以减轻潜在的危害.
• 这项研究通过启用早期结构性警告和对心脏毒性的机制性见解,推动了农药安全性评估.