清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Multi-task pretrained language model with novel application domains enables more comprehensive health and ecological toxicity prediction

任务(项目管理) 计算机科学 毒性 人工智能 机器学习 自然语言处理 工程类 化学 系统工程 有机化学
作者
Zhichao Tan,Youcai Zhao,Kunsen Lin,Tao Zhou
出处
期刊:Journal of Hazardous Materials [Elsevier BV]
卷期号:477: 135265-135265 被引量:10
标识
DOI:10.1016/j.jhazmat.2024.135265
摘要

In silico models for screening substances of healthy and ecological concern are essential for effective chemical management. However, current data-driven toxicity prediction models confront formidable challenges related to expressive capacity, data scarcity, and reliability issues. Thus, this study introduces TOX-BERT, a SMILES-based pretrained model for screening health and ecological toxicity. Results show that masked atom recovery pretraining and multi-task learning offer promising solutions to enhance model capacity and address data scarcity issues. Two novel application domain (AD) parameters, termed PCA-AD and LDS, were proposed to improve prediction reliability of TOX-BERT with accuracy surpassing 90 % and mean absolute error (MAE) below 0.52. TOX-BERT was applied to 18,905 IECSC chemicals, revealing distinct toxicity relationships that align with experimental studies such as those between cardiotoxicity and acute ecotoxicity. In addition to previous PBT screening, 156 potential high-risk chemicals for specific endpoint were identified covering 7 categories. Furthermore, a SMILES-based toxicity site detection approach was developed for structural toxicity analysis. These advancements carry profound implications to address challenges faced by current data-driven toxicity prediction models. TOX-BERT emerges as a valuable tool for more comprehensive, reliable, and applicable predictions of health and ecological toxicity in chemical risk assessment and management.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
9秒前
hy完成签到,获得积分10
11秒前
nano完成签到 ,获得积分10
20秒前
RZH发布了新的文献求助10
29秒前
机智的如曼完成签到,获得积分10
39秒前
Xzx1995完成签到 ,获得积分10
41秒前
FashionBoy的应助被科研通管家采纳,获得10
44秒前
fairytaler的应助被科研通管家采纳,获得10
44秒前
现代的初之完成签到,获得积分10
50秒前
大模型的应助被蜗牛好好飞采纳,获得10
51秒前
ChatGPT完成签到,获得积分10
53秒前
慕青的应助被蜗牛好好飞采纳,获得10
57秒前
夏同学完成签到 ,获得积分10
58秒前
今后的应助被蜗牛好好飞采纳,获得10
1分钟前
wwrjj完成签到,获得积分0
1分钟前
搜集达人的应助被cc采纳,获得10
1分钟前
大模型的应助被蜗牛好好飞采纳,获得10
1分钟前
1分钟前
1分钟前
御坂10576号完成签到,获得积分10
1分钟前
1分钟前
义气的雅琴完成签到,获得积分10
1分钟前
cc发布了新的文献求助10
1分钟前
NexusExplorer的应助被蜗牛好好飞采纳,获得10
1分钟前
Harlotte完成签到 ,获得积分0
1分钟前
蒋不惜完成签到,获得积分10
1分钟前
changfox完成签到,获得积分10
1分钟前
hyk完成签到 ,获得积分10
1分钟前
milalala完成签到 ,获得积分10
1分钟前
浚稚完成签到 ,获得积分10
1分钟前
1分钟前
冷傲的夜白完成签到,获得积分10
1分钟前
岳晓燕完成签到 ,获得积分10
1分钟前
1分钟前
清脆代真发布了新的文献求助50
1分钟前
2分钟前
谭访冬完成签到,获得积分10
2分钟前
MUAN完成签到 ,获得积分10
2分钟前
2分钟前
细腻海瑶完成签到,获得积分10
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173230
求助须知:如何正确求助?哪些是违规求助? 9565593
关于积分的说明 21780525
捐赠科研通 7767429
什么是DOI,文献DOI怎么找? 3431542
关于科研通互助平台的介绍 2555764
邀请新用户注册赠送积分活动 2476697