In silico моделі прогнозування мутагенності Еймса на основі відбитків молекулярної структури ксенобіотиків

Скорочена інформація про документ
dc.contributor.authorКисляк, Сергій Володимирович
dc.contributor.authorДуган, Олексій Мартем'янович
dc.contributor.authorРоманюк, Денис Ігорович
dc.contributor.authorЯловенко, Олена Ігорівна
dc.date.accessioned2026-03-09T10:05:18Z
dc.date.available2026-03-09T10:05:18Z
dc.date.issued2025
dc.description.abstractОдна з основних глобальних проблем, з якою стикається людство у 21ст. пов`язана з забрудненням навколишнього середовища. Урбанізація, активний розвиток промисловості та впровадження сучасних технологій у всіх сферах житєдіяльності людини сприяють експоненційному зростанню кількості хімічник сполук, що потрапляють у довкілля. Достатньо велика кількість ксенобіотиків, що представлені у навколишньому середовищі, через механізми прямого або опосередкованого впливу на генетичний апарат людини можуть індукувати розвиток спадкових та/або онкологічних захворювань. Суттєве збільшення кількості зафіксованих випадків онкологічних захворювань у різних країнах світу є основним стимулом для активізації наукової спільноти з метою ефективного виявлення та обліку всіх факторів навколишнього середовища, що можуть проявляти генотоксичні властивості. З урахуванням першочергового вирішення задачі, що пов`язана з підтримкою та збереженням генетичного здоров`я людської популяції, на сьогоднішній день потребують перегляду та удосконалення базові in vitro in vivo методи оцінки генотоксичності впливу факторів навколишнього середовища. У цьому контексті заслуговують на увагу сучасні in silico підходи до оцінки генетичної безпеки факторів навколишнього середовища, що мають достатньо значний, але не повністю реалізований потенціал. В роботі представлена методика розробки орієнтованих на основні структурні класи in silico моделей оцінки мутагенності Еймса (AMES/QSAR), що в якості предикторів використовують різни типи відбитків молекулярної структури (molecular fingerprint) кcенобіотиків. В основі вирішення задачі бінарної класифікації були обрані два ансамблевих метода машинного навчання: метод випадкового лісу та екстремального градієнтного бустінга. Точність бінарних класифікаторів на рівні 80-85%, які були розроблені відповідно до представленої у роботі методики, відповідає відтворюваності теста Еймса в різних лабораторіях. Показано, що орієнтовані на структурні класи бінарні класифікатори є більш ефективними для прогнозування мутагенності Еймса, у порівнянні з AMES/QSAR моделями, що на етапі навчання використовували частину повного необнорідного набору вхідних даних.
dc.description.abstractotherOne of the main global problems facing humanity in the 21st century is related to environmental pollution. Urbanization, active industrial development, and the introduction of modern technologies in all spheres of human activity contribute to the exponential growth of the number of chemical compounds entering the environment. A significant number of xenobiotics present in the environment can induce the development of hereditary and/or oncological diseases through mechanisms of direct or indirect influence on the human genetic apparatus. A significant increase in the number of recorded cases of cancer in different countries around the world is the main stimulus forthe scientific community to intensify its efforts to effectively identify and record all environmental factors that may exhibit genotoxic properties. Given the priority of maintaining and preserving the genetic health of the human population, the basic invitro and in vivo methods for assessing the genotoxicity of environmental factors currently need to be reviewed and improved. In this context, modern in silico approaches to assessing the genetic safety of environmental factors deserve attention, as they have significant but not fully realized potential. The paper presents a methodology for developing Ames mutagenicity assessment models (AMES/QSAR) focused on basic structural classes, which used different types of molecular fingerprints of xenobiotics as predictors. Two ensemble machine learning methods were selected to solve the binary classification problem: the random forest method and extreme gradient boosting. The accuracy of binary classifiers at the level of 80-85%, which were developed in accordancewith the methodology presented in the paper, corresponds to the reproducibility of the Ames test in different laboratories. It has been shown that structure-oriented binary classifiers are more effective for predicting Ames mutagenicity than AMES/QSAR models, which used part of the complete heterogeneous input data set during the training stage.
dc.format.pagerangeС. 1-14
dc.identifier.citationIn silico моделі прогнозування мутагенності Еймса на основі відбитків молекулярної структури ксенобіотиків / Кисляк С. В., Дуган О. М., Романюк Д. І., Яловенко О. І. // Біомедична інженерія і технологія. – 2025. – № 20. – С. 1-14. – Бібліогр.: 41 назв.
dc.identifier.doihttps://doi.org/10.20535/.2025.20.340837
dc.identifier.orcid0000-0003-2097-3793
dc.identifier.orcid0000-0002-5646-917X
dc.identifier.orcid0009-0003-2091-1645
dc.identifier.orcid0000-0002-5022-143X
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79303
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofБіомедична інженерія і технологія, № 20, 2025
dc.subjectмутагенність
dc.subjectтест Еймса
dc.subjectQSAR модель
dc.subjectксенобіотики
dc.subjectмолекулярні дескриптори
dc.subjectвідбитки молекулярної структури
dc.subjectмоделі машинного навчання
dc.subjectmutagenicity
dc.subjectAmes test
dc.subjectQSAR model
dc.subjectxenobiotics
dc.subjectmolecular descriptors
dc.subjectmolecular fingerprints
dc.subjectmachine learning models
dc.subject.udc504:57.04
dc.titleIn silico моделі прогнозування мутагенності Еймса на основі відбитків молекулярної структури ксенобіотиків
dc.title.alternativeIn silico models for predicting ames mutagenicity based on molecular fingerprint of xenobiotics
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1-14.pdf
Розмір:
725.95 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

Біомедична інженерія і технологія, Том 5, № 20