Quantitative structure activity relationships and advanced machine learning algorithms were successfully utilized to develop models for predicting toxicity according to OECD principles. The models use data from high throughput screening and in silico descriptors to provide an alternative approach for filing information gaps within the REACH regulations. Developed models for multiple nuclear receptors, stress response pathways as well as animal toxicity endpoints are made publicly available.
Übersetzte Kurzfassung:
Quantitative Struktur-Wirkungs-Beziehungen und ‚Machine Learning’-Algorithmen wurden eingesetzt, um Toxizitätsmodelle zu entwickeln, die nach den OECD-Grundsätzen für QSAR-Modellerstellung konzipiert sind. Für die Modelle wurden Daten aus HTS-Assays und in silico-Deskriptoren verwendet. Diese bereits allgemein zugänglich gemachten prädiktiven Modelle (für Endpunkte zu Interaktionen mit verschiedenen nukleären Rezeptoren, zu zellulärem Stress sowie Toxizität am Tier) beinhalten ein alternatives Konzept zur Priorisierung und Datengenerierung, um im Rahmen der REACH-Verordnung Datenlücken schließen zu können.
«
Quantitative Struktur-Wirkungs-Beziehungen und ‚Machine Learning’-Algorithmen wurden eingesetzt, um Toxizitätsmodelle zu entwickeln, die nach den OECD-Grundsätzen für QSAR-Modellerstellung konzipiert sind. Für die Modelle wurden Daten aus HTS-Assays und in silico-Deskriptoren verwendet. Diese bereits allgemein zugänglich gemachten prädiktiven Modelle (für Endpunkte zu Interaktionen mit verschiedenen nukleären Rezeptoren, zu zellulärem Stress sowie Toxizität am Tier) beinhalten ein alternatives K...
»