A framework for categorizing sources of uncertainty in in silico toxicology methods: Considerations for chemical toxicity predictions
Notice bibliographique
Résumé
Improving regulatory confidence and acceptance of in silico toxicology methods for chemical risk assessment requires assessment of associated uncertainties. Therefore, there is a need to identify and systematically categorize sources of uncertainty relevant to the methods and their predictions. In the present study, we analyzed studies that have characterized sources of uncertainty across commonly applied in silico toxicology methods. Our study reveals variations in the kind and number of uncertainty sources these studies cover. Additionally, the studies use different terminologies to describe similar sources of uncertainty; consequently, a majority of the sources considerably overlap. Building on an existing framework, we developed a new uncertainty categorization framework that systematically consolidates and categorizes the different uncertainty sources described in the analyzed studies. We then illustrate the importance of the developed framework through a case study involving QSAR prediction of the toxicity of five compounds, as well as compare it with the QSAR Assessment Framework (QAF). The framework can provide a structured (and potentially more transparent) understanding of where the uncertainties reside within in silico toxicology models and model predictions, thus promoting critical reflection on appropriate strategies to address the uncertainties. • Uncertainty communication is necessary for evaluating the robustness and validity of in silico toxicology methods. • A framework was developed to categorize uncertainty sources relevant to in silico toxicology methods. • Application of the framework was illustrated through chemical toxicity prediction using a QSAR model. • The relevance of the framework was discussed within the context of the OECD's (Q)SAR Assessment Framework.
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 | 0,002 | 0,001 |
| 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 ».