Computergestützte Methoden sind für die Bewertung der potenziellen Risiken von Verbindungen, für die keine experimentellen Daten vorliegen, unerlässlich, wobei die Sensibilisierung der Haut ein kritischer Endpunkt bei der Bewertung der chemischen Sicherheit ist. Die Integration von Wissen aus eigenen Datenquellen in In-silico-Modelle hat bereits gezeigt, dass die Vorhersagegenauigkeit und Zuverlässigkeit von In-silico-Modellen erhöht werden kann.
leer
Vor kurzem hat Leadscope mit der Industrie zusammengearbeitet, um unsere Hautsensibilisierungsmodelle zu aktualisieren. Die Bemühungen umfassten die Integration von Wissen aus eigenen Datenquellen in die Wissensbasis des regelbasierten Expertensystems. Außerdem wurden mehrere hundert neue Strukturen in die Trainings- und Referenzdatenbank aufgenommen. In Zusammenarbeit mit Industriepartnern wurden historische Hautsensibilisierungsdaten für 925 Verbindungen gesammelt, die im Local Lymph Node Assay (LLNA) oder im Guinea Pig Maximization Test (GPMT) untersucht wurden. Die aktualisierten Modelle zeigten eine Genauigkeit von 82 % bei der Vorhersage von starken/extremen Sensibilisierungsergebnissen in einem geschützten Datensatz. Diese Studie stützt die Hypothese, dass Wissen aus UnternehmensdatenbankenIn-silico-Modelle mit erweiterten Vorhersagefähigkeiten und -leistungen advance kann.
Wir freuen uns, die Ergebnisse dieser Zusammenarbeit im Rahmen eines Symposiums mit dem Titel 'Extraction of Knowledge from Proprietary Datasets for the Advancement of QSAR Models' (Extraktion von Wissen aus proprietären Datensätzen zur Weiterentwicklung von QSAR-Modellen) auf der 64. Jahrestagung der SOT und der ToxExpo in Orlando, Florida, vorzustellen (Mittwoch,19. März, 9.05-9.35 Uhr, Raum W203A).
Bitte kontaktieren Sie uns, um mit einem Experten zu sprechen, oder erfahren Sie hier mehr über unsere Lösungen.
