Кисляк, Сергій ВолодимировичДуган, Олексій Мартем'яновичРоманюк, Денис ІгоровичЯловенко, Олена Ігорівна2026-03-092026-03-092025In 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.https://ela.kpi.ua/handle/123456789/79303Одна 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.ukмутагенністьтест ЕймсаQSAR модельксенобіотикимолекулярні дескрипторивідбитки молекулярної структуримоделі машинного навчанняmutagenicityAmes testQSAR modelxenobioticsmolecular descriptorsmolecular fingerprintsmachine learning modelsArticleС. 1-14https://doi.org/10.20535/.2025.20.340837504:57.040000-0003-2097-37930000-0002-5646-917X0009-0003-2091-16450000-0002-5022-143X