Сравнительный анализ методов прогнозирования токсичности химических веществ (обзор литературы)

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Количество зарегистрированных химических веществ за последние семь лет увеличилось в два раза – до 200 млн соединений. В настоящее время разработка альтернативных методов исследования имеет особое значение. Наибольший интерес у исследователей вызывают методы перекрёстного считывания и машинного обучения.Цель исследования – сравнительный анализ методов перекрёстного считывания (read across) и машинного обучения, применяемых при прогнозировании токсичности химических веществ.Осуществлён поиск нормативных документов по информационно-правовым порталам «КонсультантПлюс» и «Гарант.ру». Анализ научной литературы выполнен с использованием базы данных PubMed, научной электронной библиотеки «КиберЛенинка» и электронной библиотеки eLIBRARY с использованием ключевых слов read-across, toxicity prediction, machine learning и их аналогов на русском языке. Выбраны публикации на русском и английском языках за последние 25 лет с учётом критериев включения и исключения. Анализ показал разнонаправленность применения перекрёстного считывания и машинного обучения при прогнозировании токсичности химических веществ. При существующих ограничениях указанных методов в ряде работ продемонстрирована достаточная надёжность и точность их использования. Совместное применение перекрёстного считывания и машинного обучения позволит обеспечить более эффективное прогнозирование токсичности химических веществ.Заключение. Применение методов in silico в профилактической токсикологии является перспективным направлением. Разработка алгоритма совместного применения различных методов прогнозирования токсичности веществ актуальна для токсиколого-гигиенических исследований.Участие авторов: Гусева Е.А. – концепция и дизайн исследования, сбор материала и обработка данных, написание текста; Николаева Н.И. – редактирование; Савранец Е.В., Жантлисова Д.М. – сбор материала и обработка данных; Онищенко Г.Г. – редактирование. Все соавторы – утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.Финансирование. Исследование не имело финансовой поддержки.Поступила: 15.01.2025 / Принята к печати: 26.03.2025 / Опубликована: 27.06.2025

Об авторах

Екатерина Андреевна Гусева

ФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения (Сеченовский Университет)

Автор, ответственный за переписку.
Email: guseva_e_a@staff.sechenov.ru

Наталья Ивановна Николаева

ФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения (Сеченовский Университет)

Email: nativ.nikolayeva@gmail.com

Елизавета Владимировна Савранец

ГБУЗ Московской области «Домодедовская больница»

Email: guseva_e_a@staff.sechenov.ru

Дарья Максатовна Жантлисова

ФБУН «Федеральный научный центр гигиены имени Ф.Ф. Эрисмана» Роспотребнадзора

Email: guseva_e_a@staff.sechenov.ru

Геннадий Григорьевич Онищенко

ФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения (Сеченовский Университет)

Email: ecology.n@1msmu.ru

Список литературы

  1. CAS REGISTRY. Available at: https://cas.org/cas-data/cas-registry
  2. Зулькарнаев Т.Р., Соломинова Т.С., Тюрина Л.А., Новиков С.М. Прогнозирование класса опасности органических соединений по их структуре. Гигиена и санитария. 1999; 78(1): 56–9. https://elibrary.ru/yqscbx
  3. Кирлан С.А., Сементеева Л.Ш., Тюрина Л.А. Молекулярный дизайн и прогноз химических соединений по комплексу свойств активность-токсичность. Гигиена и санитария. 2008; 87(3): 77–80. https://elibrary.ru/jsaomb
  4. Правдин Н.С. Методика малой токсикологии промышленных ядов. М.: Медгиз; 1947.
  5. Харчевникова Н.В. Система прогноза токсичности и опасности химических веществ, основанная на совместном использовании логических и численных методов. Гигиена и санитария. 2005; 84(6): 21. https://elibrary.ru/ojnrlz
  6. Зарицкая Е.В., Полозова Е.В., Богачева А.С. Современные альтернативные токсикологические методы исследования и перспективы их использования в практической деятельности. Гигиена и санитария. 2017; 96(7): 671–4. https://elibrary.ru/zfbyyf
  7. Benfenati E., Chaudhry Q., Gini G., Dorne J.L. Integrating in silico models and read-across methods for predicting toxicity of chemicals: A step-wise strategy. Environ. Int. 2019; 131: 105060. https://doi.org/10.1016/j.envint.2019.105060
  8. Новиков С.М. Гигиеническое нормирование совместно действующих факторов. Гигиена и санитария. 2020; 99(2): 222–3. https://elibrary.ru/zdjwks
  9. Australian Industrial Chemicals Introduction Scheme. Working out your hazards using read-across information. Available at: https://industrialchemicals.gov.au/help-and-guides/working-out-your-hazards-using-read-across-information
  10. Patlewicz G., Ball N., Booth E.D., Hulzebos E., Zvinavashe E., Hennes C. Use of category approaches, read-across and (Q)SAR: general considerations. Regul. Toxicol. Pharmacol. 2013; 67(1): 1–12. https://doi.org/10.1016/j.yrtph.2013.06.002
  11. van Leeuwen K., Schultz T.W., Henry T., Diderich B., Veith G.D. Using chemical categories to fill data gaps in hazard assessment. SAR QSAR Environ. Res. 2009; 20(3–4): 207–20. https://doi.org/10.1080/10629360902949179
  12. Kovarich S., Ceriani L., Fuart Gatnik M., Bassan A., Pavan M. Filling data gaps by read-across: a mini review on its application, developments and challenges. Mol. Inform. 2019; 38(8–9): e1800121. https://doi.org/10.1002/minf.201800121
  13. Varsou D.D., Afantitis A., Melagraki G., Sarimveis H. Read-across predictions of nanoparticle hazard endpoints: a mathematical optimization approach. Nanoscale Adv. 2019; 1(9): 3485–98. https://doi.org/10.1039/c9na00242a
  14. Ball N., Bartels M., Budinsky R., Klapacz J., Hays S., Kirman C., et al. The challenge of using read-across within the EU REACH regulatory framework; how much uncertainty is too much? Dipropylene glycol methyl ether acetate, an exemplary case study. Regul. Toxicol. Pharmacol. 2014; 68(2): 212–21. https://doi.org/10.1016/j.yrtph.2013.12.007
  15. Helman G., Shah I., Williams A.J., Edwards J., Dunne J., Patlewicz G. Generalized Read-Across (GenRA): A workflow implemented into the EPA CompTox Chemicals Dashboard. ALTEX. 2019; 36(3): 462–5. https://doi.org/10.14573/altex.1811292
  16. Rorije E., Aldenberg T., Peijnenburg W. Read-across estimates of aquatic toxicity for selected fragrances. Altern. Lab. Anim. 2013; 41(1): 77–90. https://doi.org/10.1177/026119291304100109
  17. Berggren E., Amcoff P., Benigni R., Blackburn K., Carney E., Cronin M., et al. Chemical safety assessment using read-across: assessing the use of novel testing methods to strengthen the evidence base for decision making. Environ. Health Perspect. 2015; 123(12): 1232–40. https://doi.org/10.1289/ehp.1409342
  18. Schultz T.W., Amcoff P., Berggren E., Gautier F., Klaric M., Knight D.J., et al. A strategy for structuring and reporting a read-across prediction of toxicity. Regul. Toxicol. Pharmacol. 2015; 72(3): 586–601. https://doi.org/10.1016/j.yrtph.2015.05.016
  19. Schultz T.W., Cronin M.T.D. Lessons learned from read-across case studies for repeated-dose toxicity. Regul. Toxicol. Pharmacol. 2017; 88: 185–91. https://doi.org/10.1016/j.yrtph.2017.06.011
  20. Поройков В.В., Дмитриев А.В., Дружиловский Д.С., Иванов С.М., Лагунин А.А., Погодин П.В. и др. Оценка безопасности фармакологически активных веществ in silico c применением методов машинного обучения: обзор. Безопасность и риск фармакотерапии. 2023; 11(4): 372–89. https://doi.org/10.30895/2312-7821-2023-11-4-372-389 https://elibrary.ru/fovdiu
  21. Low Y., Sedykh A., Fourches D., Golbraikh A., Whelan M., Rusyn I., et al. Integrative chemical-biological read-across approach for chemical hazard classification. Chem. Res. Toxicol. 2013; 26(8): 1199–208. https://doi.org/10.1021/tx400110f
  22. Erturan A.M., Karaduman G., Durmaz H. Machine learning-based approach for efficient prediction of toxicity of chemical gases using feature selection. J. Hazard. Mater. 2023; 455: 131616. https://doi.org/10.1016/j.jhazmat.2023.131616
  23. Hu X.M., Hou Y.Y., Teng X.R., Liu Y., Li Y., Li W., et al. Prediction of cytochrome P450-mediated bioactivation using machine learning models and in vitro validation. Arch. Toxicol. 2024; 98(5): 1457–67. https://doi.org/10.1007/s00204-024-03701-w
  24. Lin Z., Chou W.C. Machine learning and artificial intelligence in toxicological sciences. Toxicol. Sci. 2022; 189(1): 7–19. https://doi.org/10.1093/toxsci/kfac075
  25. Golbamaki A., Benfenati E., Roncaglioni A. In silico methods for carcinogenicity assessment. Methods Mol. Biol. 2022; 2425: 201–15. https://doi.org/10.1007/978-1-0716-1960-5_9
  26. Venkatapathy R., Wang C.Y., Bruce R.M., Moudgal C. Development of quantitative structure-activity relationship (QSAR) models to predict the carcinogenic potency of chemicals I. Alternative toxicity measures as an estimator of carcinogenic potency. Toxicol. Appl. Pharmacol. 2009; 234(2): 209–21. https://doi.org/10.1016/j.taap.2008.09.028
  27. Viganò E.L., Ballabio D., Roncaglioni A. Artificial intelligence and machine learning methods to evaluate cardiotoxicity following the adverse outcome pathway frameworks. Toxics. 2024; 12(1): 87. https://doi.org/10.3390/toxics12010087
  28. Cheng K., Pan Y., Yuan B. Cytotoxicity prediction of nano metal oxides on different lung cells via Nano-QSAR. Environ. Pollut. 2024; 344: 123405. https://doi.org/10.1016/j.envpol.2024.123405
  29. Russo D.P., Strickland J., Karmaus A.L., Wang W., Shende S., Hartung T., et al. Nonanimal models for acute toxicity evaluations: applying data-driven profiling and read-across. Environ. Health Perspect. 2019; 127(4): 47001. https://doi.org/10.1289/EHP3614
  30. Kutsarova S., Mehmed A., Cherkezova D., Stoeva S., Georgiev M., Petkov T., et al. Automated read-across workflow for predicting acute oral toxicity: I. The decision scheme in the QSAR toolbox. Regul. Toxicol. Pharmacol. 2021; 125: 105015. https://doi.org/10.1016/j.yrtph.2021.105015
  31. Cases M., Briggs K., Steger-Hartmann T., Pognan F., Marc P., Kleinöder T., et al. The eTOX data-sharing project to advance in silico drug-induced toxicity prediction. Int. J. Mol. Sci. 2014; 15(11): 21136–54. https://doi.org/10.3390/ijms151121136
  32. Cavasotto C.N., Scardino V. Machine learning toxicity prediction: latest advances by toxicity end point. ACS Omega. 2022; 7(51): 47536–46. https://doi.org/10.1021/acsomega.2c05693
  33. Hisaki T., Kaneko M.A.N., Hirota M., Matsuoka M., Kouzuki H. Integration of read-across and artificial neural network-based QSAR models for predicting systemic toxicity: A case study for valproic acid. J. Toxicol. Sci. 2020; 45(2): 95–108. https://doi.org/10.2131/jts.45.95

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© , 2025


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 37884 от 02.10.2009.