| 大数据挖掘和机器学习在毒理学中的应用 |
| |
| 引用本文： | 滕跃发, 王晓晴, 李斐, 吴惠丰, 吉成龙, 于进福. 大数据挖掘和机器学习在毒理学中的应用[J]. 生态毒理学报, 2022, 17(1): 93-101. doi: 10.7524/AJE.1673-5897.20210915001 |
| |
| 作者姓名： | 滕跃发 王晓晴 李斐 吴惠丰 吉成龙 于进福 |
| |
| 作者单位： | 1. 中国科学院海岸带环境过程与生态修复重点实验室(烟台海岸带研究所), 山东省海岸带环境过程重点实验室, 中国科学院烟台海岸带研究所, 烟台 264003;;; 2. 烟台职业学院网络中心, 烟台 264670;;; 3. 中国科学院大学, 北京 100049;;; 4. 中国科学院海洋大科学研究中心, 青岛 266071 |
| |
| 基金项目： | 国家自然科学基金;烟台市科技创新发展计划项目;中国科学院青年创新促进会项目 |
| |
| 摘 要： | 随着高通量筛选技术的快速发展,化学品的毒性相关信息与日俱增。现今快速发展的数据挖掘技术和机器学习等计算机方法为化学品的毒性预测和风险防控提供了新途径。有害结局路径(adverse outcome pathway,AOP)将化合物的结构、分子启动事件和生物的有害结局建立关联,为污染物的毒性测试、预测和评估提供了新的模式,最终实现风险评估并应用于管理决策。定量结构-活性关系(QSAR)建模、分子模拟以及多组学技术在AOP的各个方面发挥了重要作用。基于此,本综述主要介绍数据挖掘与机器学习在毒理学中的应用方法,涉及QSAR建模、分子模拟及组学等方面,并结合实例分析系统阐述了当前研究的重点与方向,以更好地适应当前大数据时代的研究背景。
|
| 关 键 词： | 数据挖掘 机器学习 结构-活性关系 AOP 计算毒理学 |
| 收稿时间： | 2021-09-15 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《生态毒理学报》浏览原始摘要信息 |
|
点击此处可从《生态毒理学报》下载全文 |
|
