文献

J-GLOBAL ID：201902211331220138   整理番号：19A1546068

ヒト皮膚増感剤を予測するための伝達学習【JST・京大機械翻訳】

Transfer learning for predicting human skin sensitizers

著者 (4件)： Tung Chun-Wei (Graduate Institute of Data Science, College of Management, Taipei Medical University, Taipei, Taiwan) ,  Tung Chun-Wei (National Institute of Environmental Health Sciences, National Health Research Institutes, Miaoli County, Taiwan) ,  Lin Yi-Hui (School of Pharmacy, Kaohsiung Medical University, Kaohsiung, Taiwan) ,  Wang Shan-Shan (School of Pharmacy, Kaohsiung Medical University, Kaohsiung, Taiwan)
資料名： Archives of Toxicology  (Archives of Toxicology)
巻： 93  号： 4  ページ： 931-940  発行年： 2019年 
JST資料番号： D0867A  ISSN： 0340-5761  CODEN： ATXKA8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 潜在的皮膚感作リスクのための化学物質の計算優先順位付けは,環境化学物質と薬物開発のリスク評価において重要な役割を果たす。試験のための膨大な数の化学物質を考えると,計算法は,安全な代替物の実験的検証と設計のための高リスク化学物質の迅速な同定を可能にする。しかし,ロバストな予測モデルの開発は,通常,ほとんどの毒物学的エンドポイント,特にヒトのデータに対して利用できない,試験された化学物質の大きなデータセットを必要とする。小さな訓練データセットは,不十分な被覆率と精度で困難な効果的モデルの開発を行う。本研究では,皮膚感作の明確な有害転帰経路(AOP)における3つの関連するタスクを組み込んで,人間の増感剤の主要なタスクに対する共有知識を伝達するアンサンブルツリーベースのマルチタスク学習法を開発した。結果は,3つの最先端の方法と比較して,大幅に改善された被覆率と精度の両方を示した。ユーザに優しい予測サーバをhttps://cwtung.kmu.edu.tw/skinsensdb/predictで利用できた。種々の毒性エンドポイントに対するAOPsが活発に開発されているので,提案した方法は他のエンドポイントの予測モデルの開発に適用できる。Copyright 2019 Springer-Verlag GmbH Germany, part of Springer Nature Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測モデル ,  ロバスト性 ,  安全性 ,  毒物学 ,  リスク評価 ,  被覆率 ,  化学物質 ,  毒性 ,  *増感剤 ,  *予測 ,  *学習 ,  *ヒト
準シソーラス用語： マルチタスク学習 ,  エンドポイント ,  皮膚感作 , 【Automatic Indexing@JST】

著者キーワード (6件)： 有害転帰経路 ,  アレルギー性接触皮膚炎 ,  代替法 ,  マルチタスク学習 ,  皮膚感作 ,  抽出物

分類 (1件)： 有機化合物の毒性  (GZ02030Y)

タイトルに関連する用語 (5件)： ヒト ,  皮膚 ,  増感剤 ,  予測 ,  学習