【技术实现步骤摘要】
本申请涉及内分泌领域，更具体地说，涉及一种基于有害结局路径网络的内分泌干扰物预测方法。
技术介绍
1、随着工业化进程的加快，人类暴露于大量外源性化学物质，即内分泌干扰物(edcs)。这些化学物质会在不经意间扰乱复杂的内分泌系统，对健康造成不良影响。暴露于edcs已多次与严重疾病和发育障碍(如生殖障碍和认知缺陷)相关联，这一严峻现实使政府机构和科学界采取一系列必要行动，对edcs进行识别和分类。2023年3月31日，欧盟(eu)通过了对《分类、标签和包装法规》的修订，要求在2028年之前对物质和混合物贴上内分泌干扰标签。因此，评估10多万种商业化学品的内分泌干扰特性是一项尚未解决的重大挑战。
2、eu规定了将某种物质视为edc的三个标准：(a)它显示出不良影响(如功能受损)；(b)它具有内分泌干扰机制(如改变内分泌系统功能)；(c)不良影响与内分泌干扰机制之间存在生物学上可信的联系(即不良影响是内分泌干扰机制的结果)。随着实验技术的进步，美国环境保护局(us epa)、经济合作与发展组织(oecd)和eu已建立了广泛的体外和体内测试技术(如edsp计划和toxcasttm/tox21计划)，以监测化学品的内分泌干扰机制和不良影响。人工智能领域努力开发新的机器学习算法和深度学习架构，为高通量虚拟筛选edcs提供了新的机遇。许多平台(如vega平台和endocrine disruptome)或模型(如compara、cerapp和nrmea)已经开发完成并免费提供。然而，所有的实验技术和虚拟筛选方法都只针对一种特定的效应，
3、有害结局路径网络(aop network)有助于建立上述因果联系。它可以将各种实验室实验和人群流行病学中观察到的化学品暴露后的分子起始事件(mies)、关键事件(kes)和有害结局(aos)等多层次毒理学信息进行浓缩。尽管最近在实验和计算技术方面取得了进展，但开发和应用新技术来识别edcs仍具有挑战性，因为在生物组织的大分子水平检测到的化学效应与edc危害识别和分类中传统使用的不良效应和顶端结果之间缺乏生物学上合理的联系。面对这一难题，亟须一种新的技术方案，能够结合先进的人工智能算法和aopnetwork中的分层生物学知识，构建具有生物学信息的预测模型，通过编码分层生物学知识(包括毒理学机制、不良结果和生物学上的因果联系)，实现edcs的高通量筛选、定性危害识别与定量危害分类，满足政府机构的三项标准，提高预测性能，并同时揭示edcs的内分泌干扰模式。
4、中国专利申请，申请号cn201811597767.1，公开日2019年3月29日，公开了一种基于分级警示结构高通量筛查内分泌干扰物的方法，利用子结构频率分析和子结构占比分析提取活性数据化合物的一级警示结构；利用sarpy软件对满足一级警示结构的化合物进行二级警示结构的提取；利用sarpy软件进行三级警示结构的提取；将一级警示结构和二级警示结构组合构成活性预测模块，在预测模块中先筛查出存在特征结构的化合物，再基于二级警示结构筛查出具有潜在内分泌干扰作用的警示化合物；将三级警示结构作为干扰活性预测模块，而后再基于干扰活性预测模块筛查干扰活性。但是该方案警示结构的提取仅基于分子指纹和子结构分析，缺乏对内分泌干扰物作用机制和有害结局的考虑。
技术实现思路
1、1.要解决的技术问题
2、针对现有技术中存在的缺乏同时对欧盟识别内分泌干扰物edcs定性识别与定量分类的问题，本申请提供了一种基于有害结局路径网络的内分泌干扰物预测方法，通过获取实验活性数据和内分泌干扰物清单数据，并对实验活性数据进行预处理，构建靶点定性预测模型和内分泌干扰效应定性预测模型，预测待测化合物是否具有内分泌干扰效应；同时构建靶点定量预测模型，预测具有内分泌干扰效应的化合物的靶点定量活性，得到定量有害结局路径，并根据定量有害结局路径识别敏感有害结局和敏感定量有害结局路径；最终根据敏感有害结局和敏感定量有害结局路径对内分泌干扰物进行危害分级。
3、2.技术方案
4、本申请的目的通过以下技术方案实现。
5、本申请的一个方面提供一种基于有害结局路径网络的内分泌干扰物预测方法，包括：根据预构建的有害结局路径网络，获取实验活性数据，作为第一数据集，并对第一数据集进行预处理；其中，第一数据集包含定性数据和定量数据；获取内分泌干扰物清单数据，作为第二数据集；根据预处理后的第一数据集中的定性数据，采用机器学习算法，构建靶点定性预测模型；利用靶点定性预测模型，对第二数据集进行靶点活性数据预测，得到靶点活性数据集；利用靶点活性数据集，采用机器学习算法，构建内分泌干扰效应定性预测模型；根据预处理后的第一数据集中的定量数据，采用机器学习算法，构建靶点定量预测模型；利用内分泌干扰效应定性预测模型，预测待测化合物是否具有内分泌干扰效应；对具有内分泌干扰效应的化合物，利用靶点定量预测模型，预测相应的靶点定量活性，得到定量有害结局路径；根据定量有害结局路径中各事件的定量剂量－效应关系，获得敏感有害结局和敏感定量有害结局路径；根据敏感有害结局，以及敏感定量有害结局路径，对内分泌干扰物进行危害分级，得到内分泌干扰物的预测结果。
6、进一步的，实验活性数据包括与分子启动事件、关键事件和有害结局事件数据；分子启动事件表示有害结局路径网络中的起始事件；关键事件表示有害结局路径网络中反映化学物质改变，并最终导致有害结局的事件节点；有害结局事件表示有害结局路径网络中的终点事件。
7、进一步的，对第一数据集进行预处理，包括：对实验活性数据进行质量评估；根据质量评估结果，对实验活性数据进行筛选；将筛选后的实验活性数据作为预处理后的第一数据集。
8、进一步的，采用机器学习算法，构建靶点定量预测模型或靶点定性预测模型，包括：采用基于分子描述符的建模方法或基于分子图的建模方法，构建靶点定量预测模型或靶点定性预测模型。
9、进一步的，采用基于分子描述符的建模方法，构建靶点定量预测模型或靶点定性预测模型，包括：将化合物的化学结构smiles转化为数值型的分子描述符或分子指纹；根据分子描述符或分子指纹，采用机器学习算法，构建靶点定量预测模型或靶点定性预测模型。
10、进一步的，采样基于分子图的建模方法，构建靶点定量预测模型或靶点定性预测模型，包括：将化合物的化学结构smiles转化为分子图结构，分子图结构中原子表示为节点，键表示为边；根据分子图结构，采用图神经网络gnn算法，构建靶点定量预测模型或靶点定性预测模型。
11、进一步的，利用靶点活性数据集，采用基于图神经网络的机器学习算法gcnconvedge，构建内分泌干扰效应定性预测模型，包括：将有害结局路径网络作为有向无环图，将靶点活性数据作为节点输入信息，将关键事件之间的因果关系本文档来自技高网...
【技术保护点】
1.一种基于有害结局路径网络的内分泌干扰物预测方法，其特征在于，包括：
2.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
3.根据权利要求2所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
4.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
5.根据权利要求4所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
6.根据权利要求4所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
7.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
8.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
9.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
10.一种内分泌干扰物预测的系统，其特征在于，包括：
【技术特征摘要】
1.一种基于有害结局路径网络的内分泌干扰物预测方法，其特征在于，包括：
2.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
3.根据权利要求2所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
4.根据权利要求1所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于：
5.根据权利要求4所述的基于有害结局路径网络的内分泌干扰物预测方法，其特征在于...
【专利技术属性】
技术研发人员：谭皓月，包彤，史薇，宾明杰，于红霞，
申请(专利权)人：南京大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。