机构名称：
¥ 1.0
化学物质的调节需要了解其对大量目标物种的毒理作用。传统上，这些知识是通过体内测试获得的。最近为基于机器学习寻找替代方案的努力并没有集中于保证透明度，可比性和可重复性，这使得很难评估这些方法的优势和缺点。此外，还需要可比的基线表现。在这项研究中，我们在[Schür等人，《自然科学数据》，2023年提出的Adore“ T-F2F”挑战上训练了回归模型，以预测鱼类上有机化合物的LC50（致命浓度50），以LC50（致命浓度50）测量。我们训练了拉索，随机森林（RF），XGBOOST，高斯工艺（GP）回归模型，并发现了一系列稳定的方面，这些方面均稳定：（i）使用质量或摩尔浓度不会影响性能； （ii）性能仅微弱地取决于化学物质的表示方式，但（iii）强烈地取决于数据的分配方式。总体而言，基于树的型号RF和XGBoost表现最好，我们能够预测log10转换的LC50，其根平方误差为0.90，这对应于原始LC50量表上的数量级。在本地一级，模型无法准确预测单个化学物质的毒性。对单个化学物质的预测主要由几种化学性质，分类性状并未被模型充分捕获。因此，模型尚不适用于监管过程。尽管如此，这项工作有助于就如何将机器学习整合到监管过程中的持续讨论。
基于机器学习的急性死亡率的预测
主要关键词
相关文件推荐
