通过深度学习,对淡水食物链中的LCM进行优先控制列表

科学领域:

• 环境化学环境化学
• 生态毒理学 生态毒理学
• 计算化学计算化学

背景情况:

• 液晶单体 (LCM) 在全球分布,由于其持久性,生物积累和毒性 (PBT),造成环境和人类健康风险.
• 在食品链中评估众多LCMs的PBT影响对于环境风险管理至关重要.

研究的目的:

• 根据其在淡水食物链中的PBT影响,为商业LCM制定全面的优先控制清单.
• 利用机器学习和深度学习模型来优化此列表并预测LCM风险.

主要方法:

• 采用分子对接来评估1431个LCM的PBT效应,分布在三个热带层 (Daphnia pulex,Danio rerio,Pelecanus crispus).
• 使用机器学习开发和优化优先控制列表,特别是剩余神经网络 (ResNet) 深度学习模型.
• 使用了SHapley添加式扩展 (SHAP) 来分析影响PBT效应的因素.

主要成果:

• 创建了一个1431个LCMs × 3个热带水平 × 3个PBT效应的矩阵.
• 该ResNet模型实现了高精度 (0.84测试,0.85验证集).
• 509个LCM被确定为高风险,并且发现较低电子负性的功能组可能会减少PBT效应.

结论:

• 本研究提出了第一份关于商业LCM在淡水食物链中的PBT影响的优先控制清单.
• 开发的ResNet模型准确预测PBT风险,有助于环境监测和监管.
• 研究结果表明,化学结构的修改,如使用较低的电子阴性群,可以减轻LCM的环境风险.