Naukowcy oceniają, jak dobrze ML prognozuje nanotoksykologię

Inżynierskie nanomateriały (ENM) znalazły zastosowanie w różnych technologiach i produktach konsumenckich. Przetwarzanie chemikaliów w nanoskali zapewnia unikalne właściwości tych materiałów i czyni je pożądanymi w zastosowaniach technologicznych.

​​​​​​Stado: Badanie potencjału narzędzi uczenia maszynowego in silico w przewidywaniu ostrej nanotoksyczności Daphnia magna. Źródło zdjęcia: Michael Traitov / Shutterstock.com

Wraz ze wzrostem produkcji technologii środowiska naturalnego nastąpiły negatywne oddziaływania na środowisko. Ponadto bezużyteczne jest szacowanie ryzyka powodowanego przez ENM za każdym razem poprzez: in vivo lub w laboratorium eksperymenty. do końca, w silico Może zaoszczędzić sposoby przeprowadzania takich ocen.

W artykule opublikowanym w czasopiśmie koperta chemicznaZbadano wydajność różnych algorytmów uczenia maszynowego w celu dobrego przewidywania in vivo Punkt końcowy toksyczności i identyfikacja istotnych cech zaangażowanych in vivo nano I roślina laurowa magna.

Wyniki wykazały podobną wydajność dla wszystkich algorytmów, a wydajność predykcyjna przekroczyła około 0,7 dla wszystkich ocenianych metryk. Co więcej, modele sztucznej sieci neuronowej, lasu losowego i najbliższych sąsiadów wykazały nieznacznie lepszą wydajność w porównaniu z innymi modelami algorytmów.

Analiza istotności zmiennych przeprowadzona w celu zrozumienia znaczenia zmiennych wejściowych wykazała, że ​​właściwości fizyczne i chemiczne oraz deskryptory molekularne były ważne w większości modeli. Z drugiej strony cechy związane z warunkami narażenia dały sprzeczne wyniki. W ten sposób modele uczenia maszynowego pomogły pokoleniu in vivo punkty końcowe, nawet z mniejszymi zestawami danych, wykazując ich niezawodność i odporność.

Rola uczenia maszynowego w nanotechnologii

Nanotechnologia stała się główną technologią mającą wpływ na rolnictwo, medycynę i przemysł spożywczy. W ten sposób ENM są bardziej atrakcyjne niż ich większe odpowiedniki ze względu na ich wyjątkowe cechy wynikające z ich mniejszych rozmiarów.

Pomimo swoich zalet wywierają one również wpływ na środowisko, wpływając na zdrowie i bezpieczeństwo środowiska, zmuszając do oceny zagrożeń środowiskowych związanych z ENM. Jednak ta ocena przez in vivo lub w laboratorium Testowanie wszystkich wytworzonych nanoform jest niepraktyczne.

Wyzwanie w ocenie ryzyka wynika nie tylko z szerokiej produkcji i zastosowań ENM, ale także z dużej różnorodności materiałów. W tym celu modyfikacja chemiczna w zakresie nanoskali może modyfikować właściwości fizyczne i chemiczne, a w konsekwencji profil toksyczności materiałów.

Ostatnie postępy w uczeniu maszynowym zapewniły nowe narzędzia do wydobywania nowych spostrzeżeń z dużych zestawów danych i skuteczniejszego pozyskiwania małych zestawów danych. Naukowcy zajmujący się nanotechnologią wykorzystują narzędzia uczenia maszynowego do rozwiązywania problemów w wielu obszarach. Biorąc pod uwagę ich zgodność ze złożonymi interakcjami, uczenie maszynowe może pomóc w przewidywaniu toksycznych skutków ENM na podstawie dużych zbiorów danych.

W dziedzinie nanotoksykologii brakuje znormalizowanych procedur obrazowania wspólnych ontologii w celu pomiaru właściwości ENM. Jednak modele z ograniczonych zbiorów danych mogą pomóc w ustaleniu kluczowych deskryptorów nanotoksyczności. Opracowane do tej pory modele nanotoksyczności oparte na uczeniu maszynowym koncentrowały się na punktach końcowych, takich jak żywotność lub cytotoksyczność.

Narzędzia do uczenia maszynowego In Silico do przewidywania nanotoksyczności Daphnia Magna

Pomimo wielkich wysiłków wciąż istnieją różne przeszkody, aby: w silico Modelowanie skutków nanotoksyczności z powodu ograniczonej dostępności danych i słabego przetwarzania danych. W związku z tym lepsza zgodność co do jakości danych, protokołów eksperymentalnych i dostępności jest niezbędna do uzyskania jednorodnych danych w różnych badaniach.

W niniejszej pracy wydajność algorytmów uczenia maszynowego do predykcji in vivo Nanotoksyczność metalowych ENM wobec I roślina laurowa magna To było badane. Na podstawie źródeł uzyskanych z danych stabilizacyjnych stworzono różne modele, które były zgodne z zasadami regulacji współpracy gospodarczej i rozwoju (OECD). Ponadto ograniczenia uzyskiwania spójnych danych do modelowania zostały przezwyciężone przez zastosowanie różnych metod przetwarzania danych.

Spośród sześciu modeli uczenia maszynowego wygenerowanych w oparciu o OECD, algorytmy sieci neuronowej, lasu losowego i najbliższego sąsiada wykazały wyższą wydajność, podczas gdy pozostałe modele wykazały stosunkowo podobną wydajność. Oznacza to, że uczenie maszynowe jest bardziej odpowiednie dla w silico modelowanie in vivo nano z rzeczywistego algorytmu. Ponadto kluczowe deskryptory, które zmodyfikowały toksyczność metalu ENM w kierunku: I roślina laurowa magna Został również zbadany w oparciu o wygenerowane modele uczenia maszynowego.

wniosek

Podsumowując, algorytmy uczenia maszynowego zostały wykonane w celu przewidywania in vivo Nanotoksyczność parametrów środowiskowych metali. Zebrane I roślina laurowa magna Dane dotyczące toksyczności dla ENM metali zostały przeanalizowane przy użyciu sześciu modeli uczenia maszynowego do klasyfikacji opartej na zasadach OECD.

Wyniki wykazały, że algorytmy sztucznych sieci neuronowych, lasów losowych oraz algorytmy k-nearest-neighbor miały najwyższą wydajność, co było zgodne z wcześniejszymi doniesieniami z literatury. Z drugiej strony względne różnice w pozostałych modelach algorytmów były stosunkowo niewielkie. Wyniki te wykazały zgodność uczenia maszynowego dla w silico modelowanie in vivo Nano.

Ponadto analiza istotności cech przy użyciu algorytmów uczenia maszynowego ujawniła sprzeczne wyniki we wszystkich modelach, przy czym właściwości fizyczne i chemiczne oraz deskryptory molekularne są ważnymi cechami modeli. Wyniki pokazują, że modele z małymi zestawami danych z niewielką liczbą właściwości fizycznych, chemicznych i deskryptorów molekularnych prowadzą do modeli uczenia maszynowego o dobrej wydajności predykcyjnej.

odniesienie

Balraadjsing, S., Peijnenburg, W JGM, Vijver, MG (2022) Badanie potencjału narzędzi uczenia maszynowego in silico w przewidywaniu ostrej nanotoksyczności Daphnia magna. koperta chemiczna. https://www.sciencedirect.com/science/article/pii/S0045653522024237

Zastrzeżenie: Wyrażone tutaj opinie są opiniami autora wyrażonymi w jego osobistym charakterze i niekoniecznie reprezentują opinie AZOM.com Limited T/A AZONetwork jest właścicielem i operatorem tej witryny. Niniejsze wyłączenie odpowiedzialności stanowi część warunków korzystania z tej witryny.