以代谢学驱动的数据增强机器学习用于预测微塑料混合物的毒性
Beilei Yuan1, Chengzhi Liu2, Shuang Chen1
1College of Safety Science and Engineering, Nanjing Tech University, Nanjing, Jiangsu 210009, China.
Ecotoxicology and environmental safety
|February 25, 2026
概括
由于复杂的混合物,预测微塑料 (MP) 毒性具有挑战性. 一个由代谢学驱动的机器学习模型有效地预测了MP细胞毒性,为细胞能量代谢重编程提供了洞察力.
科学领域:
- 环境科学 环境科学
- 毒理学 毒理学 毒理学
- 计算化学计算化学
背景情况:
- 微塑料 (MP) 存在于环境中的复杂混合物中,阻碍了个体毒性评估.
- 开发快速有效的方法来评估MP混合物的毒性对于风险评估至关重要.
研究的目的:
- 开发用于评估微塑料混合物毒性的预测模型.
- 为了比较定量结构-活性关系 (QSAR),定量生物活性关系 (QBAR) 和定量结构-生物活性关系 (QSBAR) 模型的性能.
主要方法:
- 研究了三个模型框架:QSAR,QBAR和QSBAR.
- 采用了六个机器学习算法与数据增强策略.
- 利用代谢学数据来选QBAR模型中的生物描述剂.
主要成果:
- 基于QBAR的极端梯度增强 (XGB-qbar) 模型表现出卓越的性能 (R2test = 0.8923).
- 确定了影响毒性的关键生物描述因素.
- 代谢学分析显示,MP混合物暴露可能会重编程细胞能量代谢.
结论:
- 一种以代谢学为导向,数据增强的机器学习方法有效地预测复杂混合物中的微塑料毒性.
- 这种方法提供了机制性见解和环境风险评估的可行途径.


