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 ma-chine,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.

内分泌干扰物;黑头软口鲦;慢性毒性;机器学习;QSAR

王艺霖;范俊韬;王书平;黄国鲜;闫振广

上海海洋大学海洋生态与环境学院,上海201306;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,北京100012

生态毒理学报

[1]王艺霖;范俊韬;王书平;黄国鲜;闫振广-.机器学习预测内分泌干扰物水生生物毒性效应)[J].生态毒理学报,2022(02):148-163

黑头软口鲦,Pimephales,promelas

机器学习预测,内分泌干扰物,水生生物毒性,毒性效应,endocrine,disruptor,chemicals,EDCs,毒性实验,生态风险评估,生态毒理学,化学物质,support,vector,ma,chine,linear,neural,network,LNN,定量构效关系,quantitative,structure,activity,relationship,QSAR,数据集构建,二元分类,分类预测模型,模型验证,验证与评估,急性毒性,慢性毒性,分子描述符,辛醇,分配系数,过筛,选得,模型输入,原子质量,极化率,电离,训练集,测试集,预测准确率,受试者工作特征,receiver,operating,characteristic,集曲,area,under,curve,预测能力,小样本数据,数据建模,毒理学研究,风险管控

0.336078