机器学习预测内分泌干扰物水生生物毒性效应

王艺霖; 范俊韬; 王书平; 黄国鲜; 闫振广

首页> 中文期刊> 《生态毒理学报》 >机器学习预测内分泌干扰物水生生物毒性效应

机器学习预测内分泌干扰物水生生物毒性效应

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

内分泌干扰物(endocrine disruptor chemicals,EDCs)繁殖毒性实验的周期长、费用高,导致水生生物繁殖毒性数据相对匮乏,限制了EDCs的生态风险评估和管理。毒性数据的预测是解决上述问题的重要手段,也是生态毒理学领域研究的热点和难点之一。在综述国内外利用机器学习预测化学物质的水生生物毒性效应研究的基础上,采用支持向量机(support vector machine,SVM)模型与线性神经网络(linear neural network,LNN)模型,根据定量构效关系(quantitative structure-activity relationship,QSAR)方法对黑头软口鲦(Pimephales promelas)繁殖毒性数据集构建了毒性效应二元分类预测模型,并进行了模型验证与评估。文献分析可知,在使用机器学习预测化合物水生生物毒性效应的研究中,SVM应用最广泛,其次是线性回归与神经网络等;预测急性毒性的研究要多于慢性毒性;分子描述符的筛选没有明确的理论指导,通常为经验与算法相结合,其中与辛醇-水分配系数相关的分子描述符一般具有较高的重要性。实验研究结果表明,经过筛选得到4种描述符作为模型输入变量,描述符分别与原子质量、极化率、电离势和键序有关;SVM对训练集与测试集的预测准确率分别为0.91与0.88,根据受试者工作特征(receiver operating characteristic,ROC)曲线得到的训练集与测试集曲线下面积(area under curve,AUC)分别为0.93与0.88;LNN对训练集与测试集的预测准确率均为0.82,AUC分别为0.87与0.88,表明2个模型均具有良好的泛化与预测能力。SVM的结果优于LNN,表明SVM更适合小样本数据建模。本研究结果可为EDCs的生态毒理学研究及毒性数据的丰富提供重要补充,为EDCs生态风险管控提供科学参考。

著录项

来源
《生态毒理学报》 |2022年第2期|148-163|共16页
作者
王艺霖; 范俊韬; 王书平; 黄国鲜; 闫振广;
展开▼
作者单位

上海海洋大学海洋生态与环境学院;

中国环境科学研究院环境基准与风险评估国家重点实验室;

展开▼
原文格式 PDF
正文语种 chi
中图分类污染生态学;
关键词
内分泌干扰物; 黑头软口鲦; 慢性毒性; 机器学习; QSAR;

相似文献

中文文献
外文文献
专利

1. 典型杀虫剂类内分泌干扰物对水生溞类的毒性效应研究进展 [J] . 赵倩 ,戚钱菊 ,郭家骅 . 生态毒理学报 . 2022,第1期
2. 内分泌干扰物对水生动物的生殖生理毒性研究进展 [J] . 吴航利 ,王佳 ,管融资 . 延安大学学报（自然科学版） . 2019,第002期
3. 水生生物卵黄蛋白原在内分泌干扰物检测中的应用 [J] . 顾海龙 ,陈彩芳 ,林志华 . 宁波大学学报（理工版） . 2013,第002期
4. 邻苯二甲酸酯类化合物的生殖毒性及其环境内分泌干扰效应 [J] . 吴德生 ,秦逍云 ,谭琴 . 癌变·畸变·突变 . 2015,第004期
5. 水中内分泌干扰物的生物筛检及其毒性变化 [J] . 孙晓峰 ,高乃云 ,徐斌 . 中国给水排水 . 2006,第24期
6. 生殖毒性终点的选择对推导环境内分泌干扰物的生态效应阈值的影响 [C] . 许宜平 ,金小伟 ,查金苗 . 第七届全国环境化学学术大会 . 2013
7. 污染物与多生物标志物同时分析方法的建立及其在内分泌干扰物毒性评估中的初步应用 [A] . 邓童庆 . 2019

机器学习预测内分泌干扰物水生生物毒性效应

摘要

著录项

相似文献

相关主题

期刊订阅