通过机器学习和深度学习方法开发的FLCM及其转化产品的毒性风险优先控制清单
Yingjie Xu1, Meng Zhang2, Hao Yang1
1College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China.
Journal of hazardous materials
|March 3, 2026
概括
化液晶单体 (FLCM) 和它们的转化产品具有重大环境和健康风险. 这项研究系统地评估了它们的毒性,确定了高风险物质,并提供了监管控制的数据.
科学领域:
- 环境化学环境化学
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
背景情况:
- 化液晶单体 (FLCM) 是新出现的污染物,存在持久性,生物积累和毒性问题.
- FLCM的转化产品 (TP) 引发了重大关注,但它们的风险尚未得到充分研究.
研究的目的:
- 系统地评估FLCM及其TP的毒性影响.
- 为这些新出现的污染物制定风险评估框架.
- 为管理FLCM及其TP提供数据驱动的监管支持.
主要方法:
- 根据实验文献,从六个反应路径中推断出2650个TP.
- 对2674种化学品 (24种FLCM和2650种TP) 计算了37种风险指标.
- 采用了最小-最大缩放,权衡和综合指数方法来量化风险.
- 利用机器学习 (TabNet) 进行机械分析.
主要成果:
- 建立了优先控制清单:1542种高风险,804种中等风险和328种低风险物质.
- 确定了基氧化和生物代谢途径的高风险.
- 与分子脂友性,酸性群,结构复杂性,化群电负性和连接模式相关的毒性.
结论:
- 这项研究提供了FLCM和TP毒性的第一个系统评估.
- 计算风险评估为新兴污染物的监管控制提供了宝贵的见解.
- 了解结构毒性关系对于预测和减轻风险至关重要.
更多相关视频
05:34Applying Cheminformatics to Develop a Structure Searchable Database of Analytical Methods
Published on: June 6, 2025
1.8K
05:45Developmental Toxicity Assay Based on Real-Time Monitoring of Fibroblast Growth Factor Signal Disruption in Human Induced Pluripotent Stem Cells
Published on: October 10, 2025
666
