典型文献
基于膜雌激素受体(GPER)结合化合物能力的分类预测模型
文献摘要：
近年来,计算毒理学的方法被广泛应用于潜在的环境内分泌干扰物(EDCs)的筛选.膜雌激素受体(GPER),作为一种可以快速响应内源性配体雌激素的关键靶蛋白,调控其介导的多项生理学功能.但是针对GPER的化合物毒性预测模型仍未见报道.因此,本研究收集了130个化合物对GPER的结合活性数据,主要包括双酚类、多溴联苯类以及农药杀虫剂类环境污染物.利用随机森林(RF)、支持向量机(SVM)、人工神经网络(ANN)、K最近邻(KNN)、朴素贝叶斯(NB)以及逻辑回归(LG)等6种机器学习算法构建二分类模型.结果 显示,所有被测试算法的测试集准确率均达到85％以上,其中SVM、RF、ANN、KNN等4种算法的训练集准确率高于93％,10折交叉验证准确率高于80％,说明得到的模型具有优秀的分类预测性能.因此,本研究基于机器学习算法构建的分类模型,可以用来快速、准确地预测环境污染物是否通过结合GPER产生内分泌干扰效应.为评估环境污染物的潜在健康风险提供了理论依据.
文献关键词：
内分泌干扰物;膜雌激素受体;机器学习算法;分类预测模型
中图分类号：
作者姓名：
王宇飞;曹慧明;梁勇
作者机构：
持久性有毒污染物环境与健康危害湖北省重点实验室,环境与健康研究院,江汉大学,武汉,430056
文献出处：
引用格式：
[1]王宇飞;曹慧明;梁勇-.基于膜雌激素受体(GPER)结合化合物能力的分类预测模型)[J].环境化学,2022(02):417-428
A类：
B类：
膜雌激素受体,GPER,分类预测模型,计算毒理学,环境内分泌干扰物,EDCs,快速响应,内源性配体,靶蛋白,生理学功能,化合物毒性预测,见报,个化,结合活性,双酚类,多溴联苯,杀虫剂,环境污染物,RF,人工神经网络,ANN,最近邻,KNN,朴素贝叶斯,NB,逻辑回归,LG,机器学习算法,二分类模型,试算法,测试集,训练集,交叉验证,预测性能,基于机器学习,内分泌干扰效应,健康风险
AB值：
0.326029
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
