文献

J-GLOBAL ID：201802278076826917   整理番号：18A0712763

in vitroおよびin vivoバイオアッセイの機械学習モデルの組合せはラット発癌性予測を改善する【JST・京大機械翻訳】

Combining machine learning models of in vitro and in vivo bioassays improves rat carcinogenicity prediction

著者 (4件)： Guan Davy (Sydney Medical School, The University of Sydney, Australia) ,  Fan Kevin (Sydney Medical School, The University of Sydney, Australia) ,  Spence Ian (Sydney Medical School, The University of Sydney, Australia) ,  Matthews Slade (Sydney Medical School, The University of Sydney, Australia)
資料名： Regulatory Toxicology and Pharmacology  (Regulatory Toxicology and Pharmacology)
巻： 94  ページ： 8-15  発行年： 2018年 
JST資料番号： T0249A  ISSN： 0273-2300  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： in vitro遺伝毒性バイオアッセイは潜在的発癌物質を評価する費用効率的方法である。しかしながら,多くの遺伝毒性バイオアッセイは,腫瘍促進のような非遺伝毒性機構を誘発する化学物質の検出には不適当であり,これはin vivoげっ歯類発癌性(IVRC)アッセイの使用を必要とする。in silico IVRCモデリングは,このアッセイの低スループットと高コストを潜在的に扱うことができた。IVRC結果の予測のための新しいバイオアッセイの計算QSARモデルを開発し,結合し,既存ソフトウェアと比較した。QSARモデルは,既存のAmes(n=6512),Syrian Hamster Embryonic(SHE,n=410),ISSCANげっ歯類発癌性(ISC,n=834)およびGreenScreen GADD45a-GFP(n=1415)化学データセットから生成した。これらのモデルは,各化合物の分子記述子を,機械学習アルゴリズム(AdaBoost,k-Nearest Neighbers,C.45決定木,多層Perceptron,ランダムフォレスト)を用いて,それぞれの分析結果にマッピングした。最良の実行モデルを,IVRC予測のためのカスケードモデルを作成するために,k-Nearest Neighbersと組み合わせた。高いQSARモデル性能は,各分析データセットに対して80%以上の精度と0.85のAUCをもつ10回の交差検証から観察された。カスケードモデルは,69.3%の精度と0.700のAUCでラット発癌性を予測した。本研究は,既存のソフトウェアよりも高い性能を有するIVRC予測のための組合せアプローチの新規性を実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 定量的構造活性相関 ,  モデリング ,  遺伝毒性 ,  化学物質 ,  *発癌性 ,  学習アルゴリズム ,  *予測 ,  *機械学習 ,  スループット ,  *バイオアッセイ ,  ソフトウェア ,  ディシジョンツリー ,  齧歯類 ,  発癌物質
準シソーラス用語： カスケードモデル , 【Automatic Indexing@JST】

著者キーワード (7件)： 発癌性 ,  癌 ,  アッセイ ,  QSAR ,  機械学習 ,  予測 ,  化学情報科学

分類 (1件)： バイオアッセイ  (EA03060N)

タイトルに関連する用語 (7件)： バイオアッセイ ,  機械学習 ,  モデル ,  組合せ ,  ラット ,  発癌性 ,  予測