In silico моделі прогнозування мутагенності Еймса факторів навколишнього середовища

2025

Innovative Biosystems and Bioengineering, Vol 9, Iss 2 (2025)

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.

article

English
Ukrainian

Igor Sikorsky Kyiv Polytechnic Institute, 2025.

мутація, генотоксичність, QSAR-модель, молекулярні дескриптори, моделі машинного навчання, Biology (General), QH301-705.5