La capacité d'évaluer avec précision la toxicité orale aiguë est nécessaire pour garantir la sécurité des produits chimiques. L'un des moyens les plus efficaces d'améliorer les prévisions informatiques de la toxicité orale aiguë est de tirer parti de la puissance des grandes bases de données expérimentales. Cette approche améliore la précision des modèles in silico, réduisant ainsi la nécessité d'effectuer des tests supplémentaires sur les animaux. Nous examinons ici comment l'abondance des données et la compréhension des mécanismes interagissent pour advance prévisions de toxicité orale aiguë et présentons des modèles nouveaux et actualisés conçus pour predict catégories SGH et CLP.
L'abondance des donnéesjoue un rôle essentiel dans la performance des modèles in silico . Lorsque de grands volumes de données de haute qualité sont disponibles, les modèles statistiques peuvent identifier des modèles et faire des prédictions précises, même si les mécanismes sous-jacents ne sont pas entièrement compris. C'est particulièrement vrai pour la toxicité orale aiguë chez le rat, où la compréhension du mécanisme conduisant à la toxicité peut être limitée, mais où de vastes ensembles de données provenant de diverses études et de méthodes d'essai normalisées fournissent une mine d'informations. Avec une base de données de 20 000 entrées, y compris les doses létales (DL50), la robustesse des modèles prédictifs est considérablement améliorée.
La compréhension du mécanismeest un autre facteur essentiel. En général, lorsque l'abondance des données et la compréhension des mécanismes sont élevées, les modèles donnent d'excellents résultats, en tirant parti des forces de ces deux aspects. La toxicité orale aiguë peut résulter de divers mécanismes, mais la gamme complète de ces mécanismes et les relations structure-activité qui les régissent ne sont pas entièrement comprises. Cette complexité nécessite une vaste base de données de formation.
En exploitant les grandes bases de données, nous pouvons développer des modèles in silico plus précis et plus fiables. Alors que nous continuons à affiner ces modèles et à explorer de nouveaux paramètres, l'interaction entre les données et les mécanismes résumés dans la figure 1 est au cœur de notre travail. Le développement de nos modèles de toxicité aiguë pour predict catégories SGH et CLP marque une étape importante dans cet effort continu.
Les nouvelles bases de données et les nouveaux modèles de toxicité aiguë seront disponibles dans notre version 2025. La nouvelle suite sur la toxicité aiguë mettra l'accent sur
- Ajout de milliers de nouveaux enregistrements pour les données de toxicité aiguë.
- Les données expérimentales sont désormais classées selon deux schémas de catégorisation : l'un prédisant les catégories CLP et l'autre les catégories GHS.
- Les modèles prédictifs permettent de dériver les catégories SGH et CLP pour la toxicité aiguë par voie orale chez le rat.
- Nouvelles alertes et modèles statistiques prédisant les catégories CLP pour la toxicité orale aiguë chez le rat, la toxicité orale aiguë chez la souris, la toxicité cutanée aiguë chez le rat et la toxicité cutanée aiguë chez le lapin.
Figure 1 : Interaction entre les données et les mécanismes. Il convient de noter que la compréhension des mécanismes est une échelle continue et que la profondeur de la connaissance des mécanismes diffère selon les classes chimiques de composés.
N'hésitez pas à nous contacter pour parler à un expert dès aujourd'hui ou pour en savoir plus sur nos solutions ici.
