QSAR approach for mixture toxicity prediction using independent latent descriptors and fuzzy membership functions†
Notice bibliographique
Résumé
The principle of using a singe model to predict the toxicity of mixtures of chemicals based on the characterisation of the degrees of similarity and dissimilarity of the constituent chemicals using descriptors has been demonstrated in a previous work. The current study introduces a feature extraction technique, independent component analysis, to the method to remove the correlations and dependencies between descriptors and reduce the dimension prior to similarity and dissimilarity calculations. In addition, a goal attainment multi-objective optimisation technique is used for the determination of the fuzzy membership function parameters. For three mixtures, which include a new mixture and two previously studied mixtures that all inhibit reproduction (via different mechanisms of action) in green freshwater algae scenedesmus vacuolatus, the approach showed better or equivalent prediction performance than either concentration addition or independent action models. Unlike QSARs for pure compounds that require large collections of data, the new approach for mixtures only requires one mixture at a particular composition to determine the necessary fuzzy membership function parameter values. These values can then be used to predict the toxicity of the mixture at any other compositions. This could potentially lead to a reduction in the frequency of bioassay tests. Use of the fuzzy membership functions and parameter values obtained for one mixture when used to predict the toxicity of a completely different mixture is also tested and it is found that the approach also gives prediction results with good accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».