Vorhersage der Multispezies-Toxizität für metallische Nanomaterialien
2023
Beihang University, Beijing, China(1)
Beihang University, Peking, China(2)
Beihang University, Peking, China(2)
Die breite Produktion und Verwendung von metallischen Nanomaterialien (MNMs) führt zu erhöhten Emissionen in die aquatische Umwelt und birgt hohe potenzielle Risiken. Das Ziel dieser Studie war es, ein auf maschinellem Lernen basierendes Regressionsmodell für die Vorhersage aquatischer Toxizität zu entwickeln, das physikalisch-chemische Eigenschaften der MNMs, Umweltfaktoren und verschiedene Organismen mit ihren eigenen Merkmalen und Expositionsbedingungen berücksichtigt. Um dies zu erreichen, wurde auf Basis von veröffentlichten Datensätzen für 14 verschiedenen MNMs gegen 51 Arten ein Modell entwickelt und das Modell anhand von Daten aus kürzlich veröffentlichter Literatur validiert. Das Modell wurde verwendet, um die Bedeutung und Wechselwirkung zwischen physikalisch-chemischen Eigenschaften, Umweltfaktoren und Spezies zu analysieren. Die Merkmalsbedeutungs- und Interaktionsanalyse zeigte, dass die Expositionsdauer, die Beleuchtung, die Größe und der hydrodynamische Durchmesser der MNMs die Hauptfaktoren waren, die die Ökotoxizität von MNMs beeinflussten.
Der In-silico-Ansatz ermöglicht die Vorhersage der Multispezies-Toxizität für MNMs und wird dazu beitragen, Expositionspfade weiter zu erforschen.
Using machine learning to predict adverse effects of metallic nanomaterials to various aquatic organisms
Ying Wang(1), Wenhong Fan(2)
Eingestellt am: 06.02.2024
[1] https://pubs.acs.org/doi/10.1021/acs.est.2c07039?ref=PDF
