In silico the Ames mutagenicity predictive modelof environment

Скорочена інформація про документ
dc.contributor.authorKislyak, Sergey V.
dc.contributor.authorDuhan, Olexii M.
dc.contributor.authorYesypenko, Ruslana V.
dc.contributor.authorStarosyla, Darya B.
dc.contributor.authorYalovenko, Olena I.
dc.date.accessioned2025-05-15T13:13:27Z
dc.date.available2025-05-15T13:13:27Z
dc.date.issued2025
dc.description.abstractBackground.The classical in vitroand in vivo methods developed and widelyused in the past decades to as-sess the genetic effects of environmental factors are complex in view of their implementation, are expensive, long-lasting, have the problem of reproducibility of the results of experiment in different laboratories and may face ethical problems of using warm-blooded animals in experiments. Objective. Development, optimisation and testing of effective in silicomodels for assessment of Ames muta-genicity of environmental factors.Methods. The genetic assessment of the impact of environmental factors was carried out in accordance with a set of chemical compounds for which information on potential mutagenic activity was obtained experimen-tally, using the in vitroAmes Salmonella/microsome test.Four machine learning models were developed to solve the problem of binary classification to form two classes of xenobiotics (mutagen/non-mutagen).The total sampleis represented by a set of 8,083 xenobiotics. Results. We developed four machine learning models with 85% accuracy, matchingthe reproducibility of Ames test data across laboratories. In addition, we have proposed a binary classifier that subject to dimen-sionality reduction of the input data, taking into account the qualitative composition of molecular descrip-tors, allows us toimprove the accuracy of in silicoprediction of genotoxicity of chemicals. Conclusions.The necessity of updating and expanding the list of effective and more productive methods and approaches for assessing the genotoxic effects of environmental factors is substantiated, which allows avoi-ding the use of warm-blooded animals in the experiment, saving time and reducing the number of false-negative and false-positive results. The possibility of increase the accuracy of predictive machine learning models forassessing the genotoxic potential of environmental factors in conditions of dimensionality reduc-tion of the data set is presented.
dc.description.abstractotherПроблематика.Розроблені та широко використовувані вминулі десятиріччя класичні in vitro таin vivoметоди оцінки генетичних ефектів факторів навколишнього середовища є складними з точки зору їх проведення,є дороговартісними, тривалими в часі, мають проблему відтворюваностірезультатівексперименту в різних лабораторіях і можуть стикатися з етичними проблемами використання в експериментах теплокровних тварин. Мета. Розробка, оптимізація й апробація ефективних in silicoмоделей оцінки мутагенності Еймса впливу факторів навколиш-нього середовищаМетодика реалізації. Генетичнаоцінка впливу факторів навколишнього середовища була проведенавідповідно до набору хі-мічних 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 ксенобіоти-ків (мутаген/не мутаген)було розроблено чотири моделі машинного навчання. Загальну вибірку, що представлена набором із 8083 ксенобіотиків, було розділено на тренувальну та валідаційнуу співвідношенні 75 до25% відповідно. Результати.Точність розроблених моделей машинного навчання була в межах 85%, що відповідає відтворюваності експери-ментальних даних, отриманих у кількісному, напівкількісному та якісному тестахЕймса в різних лабораторіях. Запропоновано бінарний класифікатор, що за умов зменшення розмірності вхідних даних дає змогу підвищити точність результатів in silicoпро-гнозування мутагенності Еймса.Висновки.Обґрунтовано необхідність оновлення та розширення переліку ефективних ібільш продуктивних методів і підходів дляоцінки генотоксичних ефектів факторів навколишнього середовища,що дає змогу уникнути застосування в експерименті теплокровних тварин, заощадити час та зменшити кількість хибнонегативних і хибнопозитивних результатів. Показано можли-вість збільшення точності прогностичних моделей машинного навчання для оцінки генотоксичного потенціалу впливу факторів навколишнього середовища за умов зменшення розмірності набору даних.
dc.format.pagerangeP. 42-52
dc.identifier.citationIn silico the Ames mutagenicity predictive modelof environment / S. V. Kislyak, O. M. Duhan, R. V. Yesypenko, D. B. Starosyla, О. I. Yalovenko // Innovative Biosystems and Bioengineering : international scientific journal. – 2025. – Vol. 9, No. 2. – P. 42-52. – Bibliogr.: 51 ref.
dc.identifier.doihttps://doi.org/10.20535/ibb.2025.9.2.316239
dc.identifier.orcid0000-0003-2097-3793
dc.identifier.orcid0000-0002-5646-917X
dc.identifier.orcid0000-0003-0210-2361
dc.identifier.orcid0000-0002-5022-143X
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/73837
dc.language.isoen
dc.publisherIgor Sikorsky Kyiv Polytechnic Institute
dc.publisher.placeKyiv
dc.relation.ispartofInnovative Biosystems and Bioengineering: international scientific e-journal, Vol. 9, No. 2
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectmutation
dc.subjectgenotoxicity
dc.subjectQSAR model
dc.subjectmolecular descriptors
dc.subjectmachine learning models
dc.subjectмутація
dc.subjectгенотоксичність
dc.subjectQSAR-модель
dc.subjectмолекулярні дескриптори
dc.subjectмоделі машинного навчання
dc.titleIn silico the Ames mutagenicity predictive modelof environment
dc.title.alternativeIn silico моделі прогнозування мутагенності Eймса факторів навколишнього середовища
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
316239-763723-1-10-20250507.pdf
Розмір:
867.36 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Innovative Biosystems and Bioengineering: international scientific e-journal, Vol. 9, No. 2