Die Fähigkeit, die akute orale Toxizität genau zu bewerten, ist notwendig, um die Sicherheit von Chemikalien zu gewährleisten. Eine der effektivsten Möglichkeiten zur Verbesserung der rechnerischen Vorhersage der akuten oralen Toxizität besteht darin, die Leistungsfähigkeit großer Datenbanken mit experimentellen Daten zu nutzen. Dieser Ansatz verbessert die Genauigkeit von In-silico-Modellen und verringert den Bedarf an zusätzlichen Tierversuchen. Hier untersuchen wir, wie Datenfülle und mechanistisches Verständnis zusammenspielen, um advance Vorhersage der akuten oralen Toxizität advance , und stellen neue und aktualisierte Modelle vor, die für die predict GHS- und CLP-Kategorien entwickelt wurden.
Die Datenfüllespielt eine entscheidende Rolle für die Leistung von In-silico-Modellen . Wenn große Mengen hochwertiger Daten zur Verfügung stehen, können statistische Modelle Muster erkennen und genaue Vorhersagen treffen, selbst wenn die zugrunde liegenden Mechanismen nicht vollständig verstanden werden. Dies gilt insbesondere für die akute orale Toxizität von Ratten, bei der das mechanistische Verständnis, das zur Toxizität führt, zwar begrenzt ist, aber umfangreiche Datensätze aus verschiedenen Studien und standardisierten Testmethoden eine Fülle von Informationen liefern. Mit einer Datenbank von 20.000 Einträgen, einschließlich tödlicher Dosen (LD50), wird die Robustheit der Vorhersagemodelle erheblich verbessert.
Mechanistisches Verständnisist ein weiterer entscheidender Faktor. Wenn sowohl die Datenfülle als auch das mechanistische Verständnis hoch sind, schneiden die Modelle im Allgemeinen außergewöhnlich gut ab und nutzen die Stärken beider Aspekte. Die akute orale Toxizität kann aus verschiedenen Mechanismen resultieren, aber das gesamte Spektrum dieser Mechanismen und die Struktur-Aktivitäts-Beziehungen, die sie bestimmen, sind nicht vollständig bekannt. Diese Komplexität erfordert eine umfangreiche Trainingsdatenbank.
Indem wir große Datenbanken nutzen, können wir genauere und zuverlässigere In-silico-Modelle entwickeln. Bei der weiteren Verfeinerung dieser Modelle und der Erforschung neuer Endpunkte ist das in Abbildung 1 zusammengefasste Zusammenspiel von Daten und Mechanismen von zentraler Bedeutung für unsere Arbeit. Die Entwicklung unserer Modelle für die akute Toxizität zur predict GHS- und CLP-Kategorien ist ein bedeutender Schritt nach vorn in diesen laufenden Bemühungen.
Die neuen Datenbanken und Modelle zur akuten Toxizität werden in unserer Version 2025 zur Verfügung stehen. Die neue Suite zur akuten Toxizität wird folgende Punkte hervorheben:
- Hinzufügung tausender neuer Datensätze für Daten zur akuten Toxizität.
- Die experimentellen Daten werden nun auf der Grundlage von zwei Kategorisierungsschemata kategorisiert: Eines sagt die CLP-Kategorien und das andere die GHS-Kategorien voraus.
- Vorhersagemodelle unterstützen die Ableitung von akuten oralen GHS- und CLP-Kategorien für Ratten.
- Neue Warnmeldungen und statistische Modelle zur Vorhersage der CLP-Kategorien für akute orale Toxizität bei Ratten, akute orale Toxizität bei Mäusen, akute dermale Toxizität bei Ratten und akute dermale Toxizität bei Kaninchen.
Abbildung 1: Wechselwirkung zwischen Daten und Mechanismen. Man beachte, dass das mechanistische Verständnis eine kontinuierliche Skala ist und die Tiefe des Wissens über die Mechanismen in den verschiedenen chemischen Verbindungsklassen unterschiedlich ist.
Bitte kontaktieren Sie uns, um mit einem Experten zu sprechen, oder erfahren Sie hier mehr über unsere Lösungen.
