Identification of Potential PBT/POP-Like Chemicals by a Deep Learning Approach Based on 2D Structural Features
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
Identifying potential persistent organic pollutants (POPs) and persistent, bioaccumulative, and toxic (PBT) substances from industrial chemical inventories are essential for chemical risk assessment, management, and pollution control. Inspired by the connections between chemical structures and their properties, a deep convolutional neural network (DCNN) model was developed to screen potential PBT/POP-like chemicals. For each chemical, a two-dimensional molecular descriptor representation matrix based on 2424 molecular descriptors was used as the model input. The DCNN model was trained via a supervised learning algorithm with 1306 PBT/POP-like chemicals and 9990 chemicals currently known as non-POPs/PBTs. The model can achieve an average prediction accuracy of 95.3 ± 0.6% and an F-measurement of 79.3 ± 2.5% for PBT/POP-like chemicals (positive samples only) on external data sets. The DCNN model was further evaluated with 52 experimentally determined PBT chemicals in the REACH PBT assessment list and correctly recognized 47 chemicals as PBT/non-PBT chemicals. The DCNN model yielded a total of 4011 suspected PBT/POP like chemicals from 58 079 chemicals merged from five published industrial chemical lists. The proportions of PBT/POP-like substances in the chemical inventories were 6.9-7.8%, higher than a previous estimate of 3-5%. Although additional PBT/POP chemicals were identified, no new family of PBT/POP-like chemicals was observed.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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