Conservative consensus QSAR approach for the prediction of rat acute oral toxicity
Notice bibliographique
Résumé
Consensus approaches are applied in different quantitative structure–activity relationship (QSAR) modeling contexts based on the assumption that combining individual model predictions will improve prediction reliability. This study evaluated the performance of TEST, CATMoS and VEGA models for prediction of oral rat LD 50 , both individually and in consensus, across a dataset of 6,229 organic compounds. Predicted LD 50 values from the models were compared for each compound, and the lowest value was assigned as the output of the conservative consensus model (CCM). Predictive accuracy was then evaluated based on the agreement of predicted LD 50 -based GHS category assignments with those derived experimentally. The aim was to allow for the most conservative value to be identified. Results showed that CCM had the highest over-prediction rate at 37 %, compared to TEST (24 %), CATMoS (25 %) and VEGA (8 %). Meanwhile, its under-prediction rate was lowest at 2 %, relative to TEST (20 %), CATMoS (10 %) and VEGA (5 %). Due to the method applied, CCM was the most conservative across all GHS categories. Further, structural analysis demonstrated that no specific chemical classes or functional groups were consistently underpredicted or overpredicted. The utility of CCM lies in its ability to establish a foundation for contextualizing the general use of consensus modeling, in order to derive health-protective oral rat LD 50 estimates under conditions of uncertainty, especially where experimental data are limited or absent.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».