皮肤敏感化风险评估的案例研究:使用基于人工神经网络的模型对具有已知和未知结构的物质估计PoD
Kosuke Imai1, Yuri Hatakeyama1, Tomomi Atobe1
1Brand Value R&D Institute, SHISEIDO CO., LTD, 1-2-11, Takashima, Nishi-ku, Yokohama, Kanagawa, 220-0011, Japan.
Regulatory toxicology and pharmacology : RTP
|October 24, 2025
概括
这项研究使用人工神经网络 (ANN) 模型与DPRA和ADRA等非动物测试来预测皮肤敏化功效. 这些模型可靠地估计了EC3值,支持了化品成分的新风险评估流.
科学领域:
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
背景情况:
- 皮肤敏感化的非动物方法正在进步,但没有一种方法可以完全取代动物试验.
- 像OECD GL497这样的定义方法集成了多种新方法方法 (NAM).
研究的目的:
- 通过人工神经网络 (ANN) 模型推进皮肤敏感化的定量风险评估 (QRA).
- 预测局部淋巴结检测 (LLNA) EC3值,这是皮肤敏感化的关键指标.
- 为使用NAM的化品成分提出一个新的风险评估框架.
主要方法:
- 开发和应用ANN模型,利用直接反应性试验 (DPRA) 和氨基酸衍生反应性试验 (ADRA) 的数据.
- 评估了六种物质,包括具有已知的结构 (金属,二乙烯,沙夫兰,利拉尔) 和未知的结构 (维尔贝纳油,树提取物) 的物质.
- 整合了ADRA的摩尔和重力度数据,以提高模型性能.
主要成果:
- 该模型显示出可靠性,大多数预测的EC3值都在观察值的10倍范围内.
- 模型成功预测了已知和未知结构的物质的EC3值,包括复杂的植物提取物.
- 包括ADRA数据改善了ANN模型的预测准确性.
结论:
- 整合DPRA和ADRA的ANN模型提供了一种可靠的非动物方法来预测皮肤敏感性强度 (EC3值).
- 这种方法适用于各种物质,包括复杂的自然产品,如植物提取物.
- 建议的风险评估流程支持化品成分的3R (替代,减少,改进) 和下一代风险评估 (NGRA).
