自主神经功能紊乱化学品的机器学习筛查模型

化学品可以引起继发性自主神经功能紊乱(autonomic dysfunction, AD),对人体健康造成危害。通过动物实验和临床测试手段筛查AD化学品,过程复杂、耗时长且成本高,有必要发展高通量的筛查方法。目前,化学品诱发AD的机制复杂,尚缺乏筛查AD化学品的机器学习模型。本研究基于文献和数据库挖掘,构建了涵盖4种AD临床不良症状(直立性低血压、失禁、尿失禁、肛门失禁)的数据集,包括466种阳性数据,427种阴性数据。基于该数据集,计算ToxPrint毒性指纹,采用5种机器学习算法(决策树、支持向量机、k近邻、随机森林、梯度提升决策树)构建了AD化学品的筛查模型。随机森林模型的分类性能最优,训练集准确率达0.738,验证集准确率达0.737,若考虑模型应用域,当相似性阈值为0.75时,验证集准确率提高至0.752。此外,本研究耦合SHAP(SHapley Additive exPlanations)方法和子结构片段频率分析方法,揭示了诱发AD的16种警示子结构,包括9种键、3种链、3种环和1种基团结构。基于所发展的机器学习筛查模型,拓展了对AD机制的认识和理解,为神经毒性化学品的筛查和评价提供参考。