Do Similar Structures Have Similar No Observed Adverse Effect Level (NOAEL) Values? Exploring Chemoinformatics Approaches for Estimating NOAEL Bounds and Uncertainties
Notice bibliographique
Résumé
strategies, for example, quantitative structure-activity relationship (QSAR) models, to predict NOAEL values is inherently problematic. Whereas QSAR models for well-defined toxicity endpoints such as Ames mutagenicity or skin sensitization can be developed from mechanistic knowledge of molecular initiating events and adverse outcome pathways, QSAR is not appropriate for predicting a NOAEL value, a concentration at which "no effect" is observed. This paper presents a chemoinformatics approach and explores how it can be further refined through the incorporation of toxicity endpoint-specific information to estimate confidence bounds for the NOAEL of a target substance, given experimentally determined NOAEL values for one or more suitable analogues. With a sufficiently large NOAEL database, we analyze how a difference in NOAEL values for pairs of structures depends on their pairwise similarity, where similarity takes both structural features and physicochemical properties into account. The width of the estimate NOAEL confidence interval is proportional to the uncertainty. Using the new threshold of toxicological concern (TTC) database enriched with antimicrobials, examples are presented to illustrate how uncertainty decreases with increasing analogue quality and also how NOAEL bounds estimation can be significantly improved by filtering the full database to include only substances that are in structure categories relevant to the target and analogue.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».