Novel Bayesian Method to Derive Final Adjusted Values of Physicochemical Properties: Application to 74 Compounds
Notice bibliographique
Résumé
Accurate values of physicochemical properties are essential for screening semivolatile organic compounds for human and environmental hazard and risk. In silico approaches for estimation are widely used, but the accuracy of these and measured values can be difficult to ascertain. Final adjusted values (FAVs) harmonize literature-reported measurements to ensure consistency and minimize uncertainty. We propose a workflow, including a novel Bayesian approach, for estimating FAVs that combines measurements using direct and indirect methods and in silico values. The workflow was applied to 74 compounds across nine classes to generate recommended FAVs (FAVRs). Estimates generated by in silico methods (OPERA, COSMOtherm, EPI Suite, SPARC, and polyparameter linear free energy relationships (pp-LFER) models) differed by orders of magnitude for some properties and compounds and performed systematically worse for larger, more polar compounds. COSMOtherm and OPERA generally performed well with low bias although no single in silico method performed best across all compound classes and properties. Indirect measurement methods produced highly accurate and precise estimates compared with direct measurement methods. Our Bayesian method harmonized measured and in silico estimated physicochemical properties without introducing observable biases. We thus recommend use of the FAVRs presented here and that the proposed Bayesian workflow be used to generate FAVRs for SVOCs beyond those in this study.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».