Multiscale-Information-Embedded Universal Toxicity Prediction Framework
Notice bibliographique
Résumé
Hazard identification and labeling of industrial chemicals and their released environmental pollutants are crucial for mitigating ecological and health risks. Comprehensive evaluation of multiple toxicity end points is essential to fully characterize chemical hazards. Existing deep-learning-based toxicity prediction models often exhibit poor generalizability, especially for rare toxicities with sparse data. Most studies fail to capture the three-dimensional (3D) spatial arrangement and stereochemical properties of chemicals, as well as the interrelated nature among end points, hindering accurate toxicity profiling. Here, we propose ToxScan, an SE(3)-equivariant multiscale model, as a universal toxicity prediction framework to address these issues. It incorporates 3D geometry information through a two-level molecular and atomic representation learning protocol. A parallel multiscale modeling and a multitask learning scheme are applied to learn universal toxicological characteristics. Results show that ToxScan achieves 7.8-37.6% improvements over state-of-the-art models for medium-/small-scale end points, demonstrates differentiation of structural analogues with contrasting toxicities, and maintains generalizability to environmental pollutants. Interpretability analysis at the atomic and molecular levels reveals identifiable atomic interaction patterns and potential structural alerts. Case studies reveal its capacity to detect subtle structural determinants while elucidating the mechanisms of pollutants. To facilitate user accessibility, we provide an intuitive web platform (https://funmg.dp.tech/Toxscan) for the rapid prediction of multiple toxicity end points of new compounds.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».