In silico моделі прогнозування мутагенності Еймса основних структурних класів ксенобіотиків
| dc.contributor.advisor | Дуган, Олексій Мартем`янович | |
| dc.contributor.author | Кисляк, Сергій Володимирович | |
| dc.date.accessioned | 2026-06-29T10:55:53Z | |
| dc.date.available | 2026-06-29T10:55:53Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Кисляк С.В. In silico моделі прогнозування мутагенності Еймса основних структурних класів ксенобіотиків. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії з галузі знань 09 Біологія за спеціальністю 091 Біологія – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. Актуальність теми дослідження. В умовах глобальної індустріалізації у навколишньому середовищі фіксується щорічне значне збільшення кількості хімічних речовин, біологічна дія яких або невідома, або результати досліджень щодо їх генотоксичного потенціалу є відсутніми. Однак, значна частина ксенобіотиків, що потрапляють у довкілля і з якими контактує людська популяція, володіють специфічною біологічною дією: канцерогенною, мутагенною, алергенною. Тому, з метою забезпечення генетичної та екологічної безпеки для людства, потребує негайного вирішення проблема, що пов`язана з оцінкою потенційної генетичної дії різноманітних хімічних сполук, здатних впливати на спадковий матеріал людини і індукувати спадкові і соматичні (онкологічні) захворювання. Розроблені і широко використовувані у минулі десятиріччя класичні in vitro та in vivo методи виявлення й оцінки генетичних ефектів факторів навколишнього середовища в короткострокових методах на мікроорганізмах і класичних методах на ссавцях є складними з точки зору їх проведення, є дороговартісними, тривалі в часі, мають проблему відтворюваності результатів експерименту в різних лабораторіях, що не рідко призводять до отримання хибнопозитивних і хибно-негативних результатів. Крім того класичні підходи оцінки генотоксичності факторів навколишнього середовища можуть стикатися з етичними проблемами використання в експериментах теплокровних тварин. Такі обмеження стимулюють наукову спільноту до розробки та впровадження альтернативних сучасних in silico методів оцінки потенційної генетичної активності факторів навколишнього середовища, які були б менш дороговартісними та ефективними, та для яких були б відсутні вищеперераховані недоліки. Стандартна парадигма токсикологічної науки щодо проведення тестування на генотоксичність з використанням прийнятою науковою спільнотою класичної батареї in vitro та in vivo тест-систем потребує оновлення та розширення переліку ефективних та більш продуктивних методів, особливо з урахуванням концепції «3R», що керується принципами, які направлені на зменшення, вдосконалення та заміну моделей тварин при проведенні тестування на генотоксичність. Проблеми сучасної токсикології можуть бути вирішені через інтеграцію наук, становлення та розвиток яких припадає на кінець 20 ст. В цьому контексті заслуговують на увагу досягнення в області хемоінформатики та комп`ютерних наук. Тому розробка та впровадження сучасних обчислювальних in silico прогностичних моделей оцінки генотоксичності факторів навколишнього середовища із застосуванням методів штучного інтелекту можуть розглядатись в якості основного вектору розвитку сучасної обчислювальної токсикології. Метою дослідження є розробка, оптимізація та апробація орієнтованих на основні структурні класи ксенобіотиків in silico моделей прогнозування мутагенності Еймса. Матеріали та методи. При створенні in silico моделей прогнозування мутагенності Еймса використовувався датасет, що був отриманий шляхом об`єднання трьох загальнодоступних наборів даних: Kazius-Bursi, Hansen та EFSA. Крім того, об’єднаний набір даних було додатково розширено мікотоксинами, дублікати ксенобіотиків були видалені. Відповідно до набору даних, що містив 8454 ксенобіотиків, будь-яка хімічна сполука вважалася мутагенною, якщо при проведенні in vitro тесту Еймса на штамах Salmonella typhimurium TA97, TA98, TA100, TA102, TA1535, TA1537 і TA1538 був отриманий хоча б один позитивний результат. Для розроблених прогностичних Ames/QSAR моделей використовувався об’єднаний набір даних, розширений мікотоксинами з розрахованими молекулярними дескрипторами PaDel, RDkit та Mordred. На етапі створення ефективних Ames/QSAR моделей, з метою порівняння їх точності, було запропоновано для кожної хімічної сполуки, що проявляють потенційні генотоксичні властивості, в якості предикторів також використовувати відбитки молекулярної структури (Molecular fingerprint). Відбір найкращого бінарного класифікатора базувався на клас-орієнтованому підході, в основі якого розроблені Ames/QSAR моделі були отримані відповідно до датасету, що був розподілений на п`ять груп ксенобіотиків, що мали спільні риси будови молекулярного каркасу. Для вирішення задачі бінарної класифікації були запропоновані моделі прогнозування мутагенності Еймса на основі наступних методів: логістична регресія (LR-Scikit), логістична регресія на основи стахостичного градієнтного спуску (LR-SGD), метод градієнтного бустінга (Gradient boosting), метод випадкового лісу (Random Forest) та глибинна нейронна мережа. Заслуговують на увагу результати досліджень, в яких науковці намагаються пов`язати прояви мутагенності з наявними функціональними групами або структурами. При проведенні дисертаційного дослідження нами була приділена увага також на іншому підході оцінки генетичної небезпеки ксенобіотиків, що базується на структурних маркерах мутагенності. Згідно з таким підходом було запропоновано отримати візуалізацію багатовимірних даних, що були розподілені на п`ять структурних класів у двовимірному просторі відбитків структури (Molecular fingerprint), відповідно до розрахованих індексів подібності (Танімото та Хемінга). Для вирішення цієї задачі був використаний алгоритм tрозподіленого вкладення стохастичної близькості (t-SNE), що був застосований для візуалізації багатовимірних даних у двовимірному просторі. Наукова новизна отриманих результатів дослідження полягає у наступному: вперше: розроблені моделі оцінки мутагенності Еймса на основі різних типів молекулярних дескрипторів (PaDel, RDkit та Mordred), що орієнтовані на основні структурні класи хімічних сполук – потенційних мутагенів. Показано, що in silico Ames/QSAR моделі, які побудовані на основі різних наборів релевантних дескрипторів, з урахуванням поділу ксенобіотиків на структурні класи, дозволяють зменшити кількість хибнонегативних та хибнопозитивних результатів досліджень. Моделі, що були отримані відповідно до набору даних, що відносяться до основних структурних класів ксенобіотиків, дозволяють отримати оцінку мутагенності з високими показниками точності (від 87% до 93%) відповідно до метрики accuracy, що перевищує значення метрики загальної точності для in vitro тесту Еймса, яка коливається у межах 80-85%. розроблені Ames/QSAR моделі прогнозування мутагенності на основі трьох різних типів молекулярних відбитків структури (MACCS, RDkit та FCFP), що орієнтовані на основні структурні класи ксенобіотиків. Показана ефективність використання в якості предикторів відбитків молекулярної структури ксенобіотиків. Точність таких моделей відповідає середньому значенню загальної точності in vitro тесту Еймса, яка коливається в межах 80-85%. При цьому основною превагою даного підходу є спрощена процедура проведення підготовки вхідних даних. отримані переліки релевантних молекулярних дескрипторів, використання яких в якості предикторів дає змогу підвищити точність розроблених QSAR моделей, відповідно до метрики загальної точності від 0,1 до 2%. розроблений підхід оцінки генетичної активності хімічних сполук дає можливість використовувати алгоритм t-розподіленого вкладення стохастичної близькості (t-SNE) для ефективного пошуку структурних маркерів мутагенності з урахуванням розподілу потенційних генотоксичних сполук на п`ять структурних класів. Такий підхід є ефективним та дозволяє у межах структурного класу здійснювати процедуру відбору схожих за структурою ксенобіотиків. Порівняння структурних формул хімічних сполук, для яких значення метрик відстані (Танімото, Хемінга) будуть мінімальними дозволяє ідентифікувати ті функціональні групи або підструктури, що можуть лежати в основі прояву мутагенності ксенобіотиків. Практичне значення результатів дисертаційного дослідження: Cформульовані методологічні основи та принципи, що можуть лежати в основі побудови ефективних, орієнтованих на основні структурні класи, in silico моделей прогнозування генетичної активності хімічних сполук. Отримані переліки релевантних молекулярних дескрипторів, використання яких в якості предикторів дозволяє підвищити точність (відповідно до метрики загальної точності) від 0,1% до 2% орієнтованих на основні структурні класи Ames/QSAR моделей. Розроблено веб-сервіс, який відповідно до запропонованої у межах роботи методики, на основі 1D та 2D молекулярних дескрипторів, дозволяє з мінімальними витратами часу та достатньо високими показниками точності оцінити генетичну активність хімічних сполук. Розроблено програмне забезпечення, яке дозволяє, через порівняння схожих за структурою ксенобіотиків, здійснювати пошук структурних маркерів відповідальних за генетичну активність сполуки. Результати роботи впроваджено в навчальний процес підготовки фахівців освітньої програми «Біотехнології» магістерського рівня навчання зі спеціальності 162 «Біотехнології та біоінженерія» при вивченні дисциплін «Моделювання молекулярної взаємодії» та «Пакети прикладних програм для задач молекулярної біології» (Акт впровадження від 19.11.2025р.). В першому розділі представлено інформацію щодо тенденцій розвитку сучасної токсикології, акцентовано увагу на проблемах, що потребують вирішення. Проведено огляд літературних даних щодо біологічної складової індукованого впливу ксенобіотиків на генетичний апарат людини, що в першу чергу пов`язано з виникненням генних мутацій, хромосомних аберацій та анеуплоїдії. Приділено увагу особливостям розповсюдження генетично активних хімічних сполук у об`єктах навколишнього середовища. Показана необхідність обліку та отримання генотоксичної оцінки впливу всіх хімічних сполук, що потрапляють у довкілля. Проаналізовано in vitro та in vivo кспериментальні методи оцінки генотоксичності, що формують класичну батарею тест-систем, показані їх переваги та недоліки. Показана необхідність оновлення підходів щодо отримання оцінки мутагенних ефектів факторів навколишнього середовища. В другому розділі детально викладені методи та підходи, що лежать в основі розроблених in silico Ames/QSAR прогностичних моделей. Приділена увага питанням класифікації, особливостям розрахунків та застосуванням різних типів 1D та 2D молекулярних дескрипторів, які використовуються в якості предикторів для Ames/QSAR моделей. Висвітлені питання відносно розподілу хімічних сполук на п`ять структурних класів. Представлена інформація щодо особливостей розрахунків основних і метрик оцінки якості in silico моделей прогнозування мутагенності Еймса. В третьому розділі представлена класична методика побудови Ames/QSAR моделей. Показано, що зменшення розмірності вхідних даних може лежати в основі підвищення ефективності бінарних класифікаторів. Наведено результати моделювання та представлена методологія побудови орієнтованих на основні структурні класи ксенобіотиків Ames/QSAR моделей, що використовують в якості предикторів різні набори 1D та 2D молекулярних дескрипторів. Висвітлена методика покращення точності бінарних класифікаторів з урахуванням розподілу ксенобіотиків за структурними класами та відбором тих молекулярних дескрипторів, що мають вагомий вплив на прогнозовану змінну. Наведено результати моделювання та описані Ames/QSAR моделі оцінки мутагенності, що використовують в якості предикторів відбитки молекулярної структури ксенобіотиків. Встановлено, що якісний склад молекулярних дескрипторів може суттєво впливати на точність моделей прогнозування мутагенності. Проведено аналіз причинно-наслідкових зв`язків між мутагенністю та релевантними дескрипторами основних структурних класів ксенобіотиків Особистий внесок здобувача. Всі основні результати, відображені в дисертаційній роботі, отримано здобувачем особисто. Дисертантом здійснено ґрунтовний аналіз літературних джерел та визначено основний напрям дослідження, що має практичну та наукову цінність. Сформульовано гіпотезу щодо перспектив покращення точності in silico Ames/QSAR моделй, з урахуванням розподілу ксенобіотиків на структурні класи та використанням в якості предикторів різних наборів молекулярних дескрипторів. Запропоновано методологію створення ефективних in silico моделей оцінки мутагенності Еймса, покращення прогностичної здатності яких може бути досягнено через застосування обмеженого набору вхідних даних, що були отримані для окремих структурних класів ксенобіотиків. Показана можливість використання відбитків структури ксенобіотиків для вирішення задачі ідентифікації маркерів мутагенності. Дисертаційна робота виконана на кафедрі промислової біотехнології та біофармації Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського», під керівництвом д.б.н., проф. Дугана О.М. Робота є результатом проведення самостійних досліджень Кисляка С. В. За темою дисертаційного дослідження опубліковано 9 наукових праць, з яких 5 наукових статей, з яких 2 – опубліковані в журналах, що індексуються Scopus, 3 статті опубліковані у фахових періодичних виданнях. Результати досліджень були апробовані на чотирьох міжнародних конференціях. | |
| dc.description.abstractother | Kislyak S.V. In silico models for predicting the mutagenicity of Ames of the main structural classes of xenobiotics. – Qualification scientific work on the rights of the manuscript. Thesis for the degree of Doctor of Philosophy in the field of knowledge 09 Biology, specialty 091 Biology. – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2026. Relevance of the research topic. In the context of global industrialization, there has been a significant annual increase in the number of chemicals in the environment whose biological effects are either unknown or for which there are no research results on their genotoxic potential. However, a significant portion of xenobiotics that enter the environment and come into contact with the human population have specific biological effects: carcinogenic, mutagenic, allergenic. Therefore, in order to ensure genetic and environmental safety for humanity, the problem associated with assessing the potential genetic effects of various chemical compounds capable of affecting human genetic material and inducing hereditary and somatic (oncological) diseases needs to be addressed immediately. The classic in vitro and in vivo methods developed and widely used in recent decades to detect and evaluate the genetic effects of environmental factors in short-term methods on microorganisms and classic methods on mammals are complex in terms of their implementation, expensive, time-consuming, and have problems with the reproducibility of experimental results in different laboratories, which often lead to false positive and false negative results. In addition, classical approaches to assessing the genotoxicity of environmental factors may face ethical problems associated with the use of warm-blooded animals in experiments. Such limitations encourage the scientific community to develop and implement alternative modern in silico methods for assessing the potential genetic activity of environmental factors, which would be less expensive and more effective, and would not have the above-mentioned disadvantages. The standard paradigm of toxicological science regarding genotoxicity testing using the classical battery of in vitro and in vivo test systems accepted by the scientific community needs to be updated and expanded with a list of effective and more productive methods, especially taking into account the “3R” concept, which is guided by principles aimed at reducing, improving and replacing animal models in genotoxicity testing. The problems of modern toxicology can be solved through the integration of sciences that emerged and developed at the end of the 20th century. In this context, achievements in the field of chemoinformatics and computer science deserve attention. Therefore, the development and implementation of modern computational in silico predictive models for assessing the genotoxicity of environmental factors using artificial intelligence methods can be considered as the main vector for the development of modern computational toxicology. The aim of the study is to develop, optimize, and test in silico models for predicting Ames mutagenicity based on the main structural classes of xenobiotics. Materials and methods. When creating in silico models for predicting Ames mutagenicity, a dataset was used that was obtained by combining three publicly available datasets: Kazius-Bursi, Hansen, and EFSA. In addition, the combined dataset was further expanded with mycotoxins, and duplicate xenobiotics were removed. According to the dataset containing 8454 xenobiotics, any chemical compound was considered mutagenic if at least one positive result was obtained in the in vitro Ames test on Salmonella typhimurium strains TA97, TA98, TA100, TA102, TA1535, TA1537, and TA1538 strains. The combined dataset, expanded with mycotoxins and calculated molecular descriptors PaDel, RDkit, and Mordred, was used for the developed Ames/QSAR predictive models. At the stage of creating effective Ames/QSAR models, in order to compare their accuracy, it was proposed to use molecular fingerprints as predictors for each chemical compound exhibiting potential genotoxic properties. The selection of the best binary classifier was based on a classoriented approach, in which the developed Ames/QSAR models were obtained according to a dataset divided into five groups of xenobiotics with common features of the molecular framework. To solve the binary classification problem, Ames mutagenicity prediction models were proposed based on the following methods: logistic regression (LR-Scikit), logistic regression based on stochastic gradient descent (LRSGD), gradient boosting, random forest, and deep neural network. The results of studies in which scientists attempt to link manifestations of mutagenicity with existing functional groups or structures deserve attention. In conducting our dissertation research, we also focused on another approach to assessing the genetic hazard of xenobiotics, based on structural markers of mutagenicity. According to this approach, it was proposed to visualize multidimensional data, which were divided into five structural classes in a two-dimensional space of molecular fingerprints according to the calculated similarity indices (Tanimoto and Hamming). To solve this problem, the tdistributed stochastic neighbor embedding (t-SNE) algorithm was used, which is applied to visualize multidimensional data in two-dimensional space. The scientific novelty of the research results lies in the following: For the first time: - Models for assessing Ames mutagenicity have been developed based on various types of molecular descriptors (PaDel, RDkit, and Mordred) that focus on the main structural classes of chemical compounds that are potential mutagens. It has been shown that in silico Ames/QSAR models, which are built on the basis of various sets of relevant descriptors, taking into account the division of xenobiotics into structural classes, allow reducing the number of false negative and false positive research results. The models obtained in accordance with the data set relating to the main structural classes of xenobiotics allow for the assessment of mutagenicity with high accuracy (from 87% to 93%) according to the accuracy metric, which exceeds the overall accuracy metric for the in vitro Ames test, which ranges from 80 to 85%. - Ames/QSAR models for predicting mutagenicity have been developed based on three different types of molecular structure fingerprints (MACCS, RDkit, and FCFP) that target the main structural classes of xenobiotics. The effectiveness of using molecular structure fingerprints of xenobiotics as predictors has been demonstrated. The accuracy of such models corresponds to the average overall accuracy of the in vitro Ames test, which ranges from 80 to 85%. The main advantage of this approach is the simplified procedure for preparing input data. - Lists of relevant molecular descriptors have been obtained, the use of which as predictors makes it possible to increase the accuracy of the developed QSAR models, according to the overall accuracy metric from 0.1 to 2%. - The developed approach to assessing the genetic activity of chemical compounds makes it possible to use the t-distributed stochastic neighbor embedding (tSNE) algorithm to effectively search for structural markers of mutagenicity, taking into account the distribution of potential genotoxic compounds into five structural classes. This approach is effective and allows for the selection of structurally similar xenobiotics within a structural class. Comparing the structural formulas of chemical compounds for which the distance metrics (Tanimoto, Hamming) are minimal allows us to identify those functional groups or substructures that may underlie the mutagenicity of xenobiotics. Practical significance of the dissertation research results: - Formulated methodological foundations and principles that can underlie the construction of effective, structure-based, in silico models for predicting the genetic activity of chemical compounds. - Lists of relevant molecular descriptors have been obtained, the use of which as predictors allows to increase the accuracy (according to the overall accuracy metric) from 0.1% to 2% of Ames/QSAR models focused on basic structural classes. - A web service has been developed which, in accordance with the methodology proposed in the work, based on 1D and 2D molecular descriptors, allows the genetic activity of chemical compounds to be assessed with minimal time expenditure and sufficiently high accuracy. - Software has been developed that allows, through comparison of structurally similar xenobiotics, to search for structural markers responsible for the genetic activity of a compound. - The results of the work have been implemented in the educational process of training specialists in the master's level educational program “Biotechnology” in the specialty 162 “Biotechnology and Bioengineering” when studying the discipline “Modeling of Molecular Interaction” (Act of implementation dated 19.11.2025). The first shapter presents information on trends in modern toxicology, focusing on problems that need to be addressed. A review of the literature on the biological component of the induced effect of xenobiotics on the human genetic apparatus is presented, which is primarily associated with the occurrence of gene mutations, chromosomal aberrations, and aneuploidy. Attention is paid to the peculiarities of the spread of genetically active chemical compounds in environmental objects. The need to account for and obtain a genotoxic assessment of the impact of all chemical compounds that enter the environment is demonstrated. In vitro and in vivo experimental methods for assessing genotoxicity, which form a classic battery of test systems, are analyzed, and their advantages and disadvantages are shown. The need to update approaches to assessing the mutagenic effects of environmental factors is demonstrated. The second chapter details the methods and approaches underlying the developed in silico Ames/QSAR predictive models. Attention is paid to classification issues, calculation specifics, and the application of various types of 1D and 2D molecular descriptors used as predictors for Ames/QSAR models. Issues related to the division of chemical compounds into five structural classes are highlighted. Information is presented on the features of calculations of the main metrics and quality assessment metrics of in silico Ames mutagenicity prediction models. The third shapter presents the classical method of constructing Ames/QSAR models. It is shown that reducing the dimensionality of input data can be the basis for improving the efficiency of binary classifiers. The results of modeling are presented, and a methodology is presented for constructing Ames/QSAR models oriented toward the main structural classes of xenobiotics, using various sets of 1D and 2D molecular descriptors as predictors. A method for improving the accuracy of binary classifiers is described, taking into account the distribution of xenobiotics by structural classes and the selection of molecular descriptors that have a significant impact on the predicted variable. The results of modeling are presented and Ames/QSAR models for assessing mutagenicity are described, which use molecular structure fingerprints of xenobiotics as predictors. It has been established that the qualitative composition of molecular descriptors can significantly affect the accuracy of mutagenicity prediction models. An analysis of the causal relationships between mutagenicity and relevant descriptors of the main structural classes of xenobiotics was performed. Personal contribution of the applicant. All the main results reflected in the dissertation were obtained by the applicant personally. The applicant conducted a thorough analysis of literary sources and determined the main direction of research, which has practical and scientific value. A hypothesis has been formulated regarding the prospects for improving the accuracy of in silico Ames/QSAR models, taking into account the distribution of xenobiotics into structural classes and the use of different sets of molecular descriptors as predictors. A methodology for creating effective in silico models for assessing Ames mutagenicity has been proposed, the predictive power of which can be improved through the use of a limited set of input data obtained for individual structural classes of xenobiotics. The possibility of using xenobiotic structure fingerprints to solve the problem of identifying mutagenicity markers is demonstrated. The dissertation was completed at the Department of Industrial Biotechnology and Biopharmacy of the National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute” under the supervision of Prof. Dugan O.M., Doctor of Biological Sciences. The work is the result of independent research by Kislyak S.V. Nine scientific papers have been published on the topic of the dissertation research, including five scientific articles, two of which were published in Scopusindexed journals, and three articles published in professional periodicals. The research results were tested at four international conferences. | |
| dc.format.extent | 183 с. | |
| dc.identifier.citation | Кисляк, С. В. In silico моделі прогнозування мутагенності Еймса основних структурних класів ксенобіотиків : дис. … д-ра філософії : 091 Біологія / Кисляк Сергій Володимирович. – Київ, 2026. – 183 с. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/81982 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | ДНК | |
| dc.subject | гени | |
| dc.subject | мутації | |
| dc.subject | генотоксичність | |
| dc.subject | канцерогенез | |
| dc.subject | цитотоксичність | |
| dc.subject | тест Еймса | |
| dc.subject | молекулярний дескриптор | |
| dc.subject | класифікатор | |
| dc.subject | машинне навчання | |
| dc.subject | моделювання | |
| dc.subject | нейронна мережа | |
| dc.subject | QSAR модель | |
| dc.subject | DNA | |
| dc.subject | genes | |
| dc.subject | mutations | |
| dc.subject | genotoxicity | |
| dc.subject | carcinogenesis | |
| dc.subject | cytotoxicity | |
| dc.subject | Ames test | |
| dc.subject | molecular descriptor | |
| dc.subject | classifier | |
| dc.subject | machine learning | |
| dc.subject | modeling | |
| dc.subject | neural network | |
| dc.subject | QSAR model | |
| dc.subject.udc | 004.94:577.21:615.9 | |
| dc.title | In silico моделі прогнозування мутагенності Еймса основних структурних класів ксенобіотиків | |
| dc.title.alternative | In silico models for predicting the mutagenicity of Ames of the main structural classes of xenobiotics | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: