層別化とコンフォーマル予測を使用して、肝脂肪症をモデル化するためのin silicoの予測とin vivoデータを組み合わせる

肝脂肪症（脂肪肝臓）は、肝細胞における脂肪酸の過剰な蓄積によって誘発される重度の肝疾患です。この研究では、口腔曝露を繰り返したげっ歯類研究で測定された1041化合物のin vivoデータセットに基づいて、肝脂肪症を予測するための信頼性の高いシリコモデルを開発しました。データセットの不均衡な性質（1：8、マイノリティクラスに属する「脂肪症」化合物を備えた）には、層状以降のサンプリングとモンドリアンのコンフォーマル予測オンベース分類器ランダムのメタクラシファーにぶら下がる必要がありました。森。主要な目標の1つは、モデルのパフォーマンスに対するさまざまな記述子の組み合わせの影響の調査（外部検証セットの予測によってテストされた）、物理化学記述子（RDKIT）、Toxprint機能、およびインシリコの核内受容体およびトランスポーターモデルからの予測です。物理化学的特徴を含む記述子の組み合わせに基づくすべてのモデルは、合理的なバランスの取れた精度（それぞれのモデルで0.65〜0.69のBAS）につながりました。物理化学的特徴をトランスポーターの予測とさらにToxprint機能と組み合わせることで、最高のパフォーマンスモデルが得られました（最大0.7と0.82の効率）。両方のメタクラシファーがこの非常に不均衡な毒性データセットに有用であることが証明されましたが、コンフォーマル予測フレームワークはエラーレベルも保証するため、予測毒性学の分野での将来の研究に好まれる可能性があります。

Hepatic steatosis (fatty liver) is a severe liver disease induced by the excessive accumulation of fatty acids in hepatocytes. In this study, we developed reliable in silico models for predicting hepatic steatosis on the basis of an in vivo data set of 1041 compounds measured in rodent studies with repeated oral exposure. The imbalanced nature of the data set (1:8, with the "steatotic" compounds belonging to the minority class) required the use of meta-classifiers-bagging with stratified under-sampling and Mondrian conformal prediction-on top of the base classifier random forest. One major goal was the investigation of the influence of different descriptor combinations on model performance (tested by predicting an external validation set): physicochemical descriptors (RDKit), ToxPrint features, as well as predictions from in silico nuclear receptor and transporter models. All models based upon descriptor combinations including physicochemical features led to reasonable balanced accuracies (BAs between 0.65 and 0.69 for the respective models). Combining physicochemical features with transporter predictions and further with ToxPrint features gave the best performing model (BAs up to 0.7 and efficiencies of 0.82). Whereas both meta-classifiers proved useful for this highly imbalanced toxicity data set, the conformal prediction framework also guarantees the error level and thus might be favored for future studies in the field of predictive toxicology.