机器学习框架用于预测大气中金属离子诱导的肺细胞毒性

科学领域:

• 环境健康 环境健康
• 毒理学 毒理学 毒理学
• 计算化学计算化学

背景情况:

• 颗粒物2.5 (PM2.5) 含有与心肺疾病相关的金属.
• 由于价值复杂性,金属离子毒性很难通过计算来预测.
• 氧化应激是金属诱导的呼吸道毒性的一个关键机制.

研究的目的:

• 创建一个预测框架,用于对金属离子呼吸系统毒性的高通量评估.
• 在肺细胞模型中确定金属离子毒性的关键驱动因素.
• 为了建立PM2.5金属离子的结构-活性关系.

主要方法:

• 开发了一个使用650个数据点实验数据集的预测框架.
• 利用31个价值特征来捕获金属离子的特性.
• 采用机器学习模型用于毒性预测和特征选择.
• 通过10个新的金属离子进行了外部验证.

主要成果:

• 机器学习模型准确地预测了细胞活力 (R2=0.89) 和氧化应激 (ACC=0.86).
• 外部验证证实了模型的性能 (R2=0.74,ACC=0.70).
• 细胞活力的关键预测因素包括可溶性,电子阴性和离子电荷.
• 氧化应激预测是由皮尔森软度系数,摩尔质量和密度驱动的.

结论:

• 建立的框架有效地预测金属离子呼吸道毒性.
• 确定了影响金属离子毒性的关键物理化学性质.
• 为确定空气污染风险优先级和减少实验负担提供了有价值的工具.