In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища
Проблематика. Розроблені та широко використовувані в минулі десятиріччя класичні in vitro та in vivo методи оцінки генетичних ефектів факторів навколишнього середовища є складними з точки зору їх проведення, є дороговартісними, тривалими в часі, мають проблему відтворюваності результатів експеримен...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Igor Sikorsky Kyiv Polytechnic Institute
2025-05-01
|
| Series: | Innovative Biosystems and Bioengineering |
| Subjects: | |
| Online Access: | https://ibb.kpi.ua/article/view/316239 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850255817454911488 |
|---|---|
| author | Sergey Kislyak Olexii Dugan Ruslana Yesypenko Darya Starosyla Olena Yalovenko |
| author_facet | Sergey Kislyak Olexii Dugan Ruslana Yesypenko Darya Starosyla Olena Yalovenko |
| author_sort | Sergey Kislyak |
| collection | DOAJ |
| description |
Проблематика. Розроблені та широко використовувані в минулі десятиріччя класичні in vitro та in vivo методи оцінки генетичних ефектів факторів навколишнього середовища є складними з точки зору їх проведення, є дороговартісними, тривалими в часі, мають проблему відтворюваності результатів експерименту в різних лабораторіях і можуть стикатися з етичними проблемами використання в експериментах теплокровних тварин.
Мета. Розробка, оптимізація й апробація ефективних in silico моделей оцінки мутагенності Еймса впливу факторів навколишнього середовища
Методика реалізації. Генетична оцінка впливу факторів навколишнього середовища була проведена відповідно до набору хімічних сполук, для яких експериментально, за допомогою in vitro тесту Еймса Salmonella/microsome, була отримана інформація про потенційну мутагенну активність. Для розв’язання задачі бінарної класифікації з метою формування двох класів ксенобіотиків (мутаген/не мутаген) було розроблено чотири моделі машинного навчання. Загальну вибірку, що представлена набором із 8083 ксенобіотиків, було розділено на тренувальну та валідаційну у співвідношенні 75 до 25% відповідно.
Результати. Точність розроблених моделей машинного навчання була в межах 85%, що відповідає відтворюваності експериментальних даних, отриманих у кількісному, напівкількісному та якісному тестах Еймса в різних лабораторіях. Запропоновано бінарний класифікатор, що за умов зменшення розмірності вхідних даних дає змогу підвищити точність результатів in silico прогнозування мутагенності Еймса.
Висновки. Обґрунтовано необхідність оновлення та розширення переліку ефективних і більш продуктивних методів і підходів для оцінки генотоксичних ефектів факторів навколишнього середовища, що дає змогу уникнути застосування в експерименті теплокровних тварин, заощадити час та зменшити кількість хибнонегативних і хибнопозитивних результатів. Показано можливість збільшення точності прогностичних моделей машинного навчання для оцінки генотоксичного потенціалу впливу факторів навколишнього середовища за умов зменшення розмірності набору даних.
|
| format | Article |
| id | doaj-art-e3e52e4a28d64eadb8b5aac7e6f414e7 |
| institution | OA Journals |
| issn | 2616-177X |
| language | English |
| publishDate | 2025-05-01 |
| publisher | Igor Sikorsky Kyiv Polytechnic Institute |
| record_format | Article |
| series | Innovative Biosystems and Bioengineering |
| spelling | doaj-art-e3e52e4a28d64eadb8b5aac7e6f414e72025-08-20T01:56:46ZengIgor Sikorsky Kyiv Polytechnic InstituteInnovative Biosystems and Bioengineering2616-177X2025-05-019210.20535/ibb.2025.9.2.316239In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовищаSergey Kislyak0Olexii Dugan1Ruslana Yesypenko2Darya Starosyla3Olena Yalovenko4КПІ ім. Ігоря СікорськогоКПІ ім. Ігоря СікорськогоКПІ ім. Ігоря СікорськогоФакультет медицини і охорони здоров'я Університету Джорджа ВашингтонаКПІ ім. Ігоря Сікорського Проблематика. Розроблені та широко використовувані в минулі десятиріччя класичні in vitro та in vivo методи оцінки генетичних ефектів факторів навколишнього середовища є складними з точки зору їх проведення, є дороговартісними, тривалими в часі, мають проблему відтворюваності результатів експерименту в різних лабораторіях і можуть стикатися з етичними проблемами використання в експериментах теплокровних тварин. Мета. Розробка, оптимізація й апробація ефективних in silico моделей оцінки мутагенності Еймса впливу факторів навколишнього середовища Методика реалізації. Генетична оцінка впливу факторів навколишнього середовища була проведена відповідно до набору хімічних сполук, для яких експериментально, за допомогою in vitro тесту Еймса Salmonella/microsome, була отримана інформація про потенційну мутагенну активність. Для розв’язання задачі бінарної класифікації з метою формування двох класів ксенобіотиків (мутаген/не мутаген) було розроблено чотири моделі машинного навчання. Загальну вибірку, що представлена набором із 8083 ксенобіотиків, було розділено на тренувальну та валідаційну у співвідношенні 75 до 25% відповідно. Результати. Точність розроблених моделей машинного навчання була в межах 85%, що відповідає відтворюваності експериментальних даних, отриманих у кількісному, напівкількісному та якісному тестах Еймса в різних лабораторіях. Запропоновано бінарний класифікатор, що за умов зменшення розмірності вхідних даних дає змогу підвищити точність результатів in silico прогнозування мутагенності Еймса. Висновки. Обґрунтовано необхідність оновлення та розширення переліку ефективних і більш продуктивних методів і підходів для оцінки генотоксичних ефектів факторів навколишнього середовища, що дає змогу уникнути застосування в експерименті теплокровних тварин, заощадити час та зменшити кількість хибнонегативних і хибнопозитивних результатів. Показано можливість збільшення точності прогностичних моделей машинного навчання для оцінки генотоксичного потенціалу впливу факторів навколишнього середовища за умов зменшення розмірності набору даних. https://ibb.kpi.ua/article/view/316239мутаціягенотоксичністьQSAR-модельмолекулярні дескрипторимоделі машинного навчання |
| spellingShingle | Sergey Kislyak Olexii Dugan Ruslana Yesypenko Darya Starosyla Olena Yalovenko In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища Innovative Biosystems and Bioengineering мутація генотоксичність QSAR-модель молекулярні дескриптори моделі машинного навчання |
| title | In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища |
| title_full | In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища |
| title_fullStr | In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища |
| title_full_unstemmed | In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища |
| title_short | In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища |
| title_sort | in silico моделі прогнозування мутагенності еймса факторів навколишнього середовища |
| topic | мутація генотоксичність QSAR-модель молекулярні дескриптори моделі машинного навчання |
| url | https://ibb.kpi.ua/article/view/316239 |
| work_keys_str_mv | AT sergeykislyak insilicomodelíprognozuvannâmutagennostíejmsafaktorívnavkolišnʹogoseredoviŝa AT olexiidugan insilicomodelíprognozuvannâmutagennostíejmsafaktorívnavkolišnʹogoseredoviŝa AT ruslanayesypenko insilicomodelíprognozuvannâmutagennostíejmsafaktorívnavkolišnʹogoseredoviŝa AT daryastarosyla insilicomodelíprognozuvannâmutagennostíejmsafaktorívnavkolišnʹogoseredoviŝa AT olenayalovenko insilicomodelíprognozuvannâmutagennostíejmsafaktorívnavkolišnʹogoseredoviŝa |