机器学习方法应用于化学物质毒性测试研究进展

Research progress in applications of machine learning in toxicity prediction

二维码有效期 120s

摘要随着高通量技术的发展和海量毒理学数据的涌现,毒理学研究步入大数据时代.如何高效整合现有的毒理学数据、阐明化学物质毒作用规律并利用规律提示新信息,实现新化学物质毒性高效预测,是毒理学研究的前沿问题之一.鉴于传统化学物质毒性测试方法高成本、低通量且难以揭示机制信息,迫切需求高通量预测模型.机器学习方法已应用于毒性测试,如监督学习模型、无监督学习模型、深度学习模型、强化学习模型和迁移学习模型,其常用的化学物质特征数据主要包括化学物质结构数据、文本数据、毒理基因组数据和图像数据.将机器学习应用于毒性测试的研究潜力巨大,且取得一定进展,但目前研究主要集中于数据处理和模型开发,尚未形成应用度广、共识性强的方法.此外,机器学习模型的预测精度不仅取决于算法,亦受到数据质量的影响,算法与数据质量的相互促进发展亦是一大挑战.总之,毒理学领域的数据处理和模型构建需要跨学科的合作和技术创新,随毒理学数据库的日趋完善,各种模型算法的不断优化,基于机器学习模型开展新化学物质毒性预测将日益高效、准确,对保障人类健康和环境安全起到重要作用.