Machine Learning-Driven Cross-Species Toxicity Prediction for Advancing Ecologically Relevant PFAS Water Quality Criteria
Notice bibliographique
Résumé
Traditional toxicity testing cannot keep pace with the rapid growth of synthetic chemicals, creating major data gaps that hinder the development of water quality criteria (WQC) for emerging contaminants. This study developed a machine learning model integrating compound- and organism-related features to enable cross-compound and cross-species toxicity prediction. The model demonstrated strong robustness and generalization, outperforming the Interspecies Correlation Estimation application in cross-species prediction, particularly across large taxonomic distances. SHAP analysis identified water solubility and lipophilicity as dominant predictors, with organism-related features also contributing substantially. The model predicted the acute toxicity of 30 representative per- and polyfluoroalkyl substances (PFAS) across 181 aquatic species. Habitat-informed species selection was then used to derive ecologically relevant 5% hazardous concentrations (HC 5 ), which were generally higher in saltwater than in freshwater. Cross-regional comparisons further indicated that salinity may modulate fish sensitivity to PFAS. HC 5 estimates for China were higher than those for North America and Europe, potentially reflecting inter-regional differences in species sensitivity, with Chinese species appearing comparatively more tolerant. Finally, site-specific WQC for perfluorooctanoic acid (PFOA) and perfluorooctanesulfonic acid (PFOS) were derived for the Great Lakes using predicted sensitivities of 76 dominant native species, providing greater ecological relevance than existing criteria.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».