Predicción in silico de la toxicidad reproductiva química utilizando aprendizaje automático

La toxicidad reproductiva es un punto final regulatorio importante en la evaluación de riesgos para la salud. Debido a que las pruebas in vivo son caras, llevan mucho tiempo y requieren un gran número de animales, que deben ser sacrificados, se han desarrollado enfoques in silico como estrategias alternativas para evaluar la potencial toxicidad reproductiva (toxicidad reproductiva) de productos químicos. Se han desarrollado algunos modelos de predicción para la toxicidad reproductiva, pero la mayoría de ellos se basaron únicamente en un solo punto final, como la teratogenicidad embrionaria; por lo tanto, estos modelos pueden no proporcionar predicciones fiables para productos químicos tóxicos con otros puntos finales, como la reducción de espermatozoides o la disgenesia gonadal. Aquí, se utilizaron un total de 1823 productos químicos para la toxicidad reproductiva caracterizados por múltiples puntos finales para desarrollar modelos de relación estructura-actividad mediante seis enfoques de aprendizaje automático con nueve huellas moleculares. Entre los modelos, el modelo MACCSFP-SVM tiene el mejor rendimiento para el conjunto de validación externo (área bajo la curva = 0.900, precisión de clasificación = 0.836). Se analizó el dominio de aplicabilidad, y se encontró un límite racional para distinguir las predicciones inexactas de las predicciones precisas. Además, se identificaron varias alertas estructurales para caracterizar la toxicidad reproductiva utilizando la ganancia de información combinando el análisis de frecuencia de subestructuras. Nuestros resultados serían útiles para la predicción de la toxicidad reproductiva de productos químicos.