Iterative Fragment Selection: A Group Contribution Approach to Predicting Fish Biotransformation Half-Lives
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There are regulatory needs to evaluate thousands of chemicals for potential hazard and risk with limited available information. An automated method is presented for developing and evaluating Quantitative Structure-Activity Relationships (QSARs) for a range of chemical properties that can be applied for screening level chemical assessments. The method is an integrated algorithm for descriptor generation, data set splitting, cross validation, and model selection. Resulting QSARs are two-dimensional (2D) fragment-based group contribution models. The QSAR development and evaluation method does not require previous expert knowledge for selecting 2D fragments associated with the chemical property of interest. The method includes information on the domain of applicability (structural similarity to the training set) and estimates of the uncertainty in the QSAR predictions. As a demonstration, the method is applied to generate novel QSARs for fish primary biotransformation half-lives (HL(N)). Results from the new HL(N) QSARs are compared to another 2D fragment-based HL(N) QSAR developed with expert judgment, and the predictive powers of the models are found to be similar. The relative merits and limitations of each method are investigated and the new QSAR is found to make comparable predictions with significantly fewer fragments. A coefficient of determination (R(2)) of 0.789 and a root mean squared error (RMSE) of 0.526 were obtained for the training data set and an R(2) of 0.748 and an RMSE of 0.584 were obtained for the validation data set, along with a concordance correlation coefficient (CCC) of 0.857 showing good predictive power.
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.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découle