| 自主神经功能紊乱化学品的机器学习筛查模型 |
| |
| 引用本文： | 李瑞香, 徐淑君, 刘一席, 伍天翔, 朱朗辰, 张强强, 傅志强, 陈景文, 李雪花. 自主神经功能紊乱化学品的机器学习筛查模型[J]. 生态毒理学报, 2023, 18(4): 9-21. doi: 10.7524/AJE.1673-5897.20230411003 |
| |
| 作者姓名： | 李瑞香 徐淑君 刘一席 伍天翔 朱朗辰 张强强 傅志强 陈景文 李雪花 |
| |
| 作者单位： | 大连理工大学环境学院, 工业生态与环境工程教育部重点实验室, 大连 116024 |
| |
| 基金项目： | 国家重点研发计划课题(2022YFC3902104);国家自然科学基金资助项目(22176023);中央高校基本科研业务费青年科学家创新团队项目(DUT22QN216) |
| |
| 摘 要： | 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。
|
| 关 键 词： | 自主神经功能紊乱 机器学习 筛查模型 警示子结构 神经毒性 |
| 收稿时间： | 2023-04-11 |
|
| 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 |
|
