DOI: https://doi.org/10.1007/s11030-025-11454-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41575478
تاريخ النشر: 2026-01-23
المؤلف: Eufrásia de Sousa Pereira وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تركز البحث على السمية العصبية التنموية (DNT) المرتبطة بالتعرض الكيميائي، وخاصة من القنب الملوث بالمبيدات. غالبًا ما تكون طرق تقييم السمية التقليدية غير فعالة، مما يستدعي تطوير إطار عمل لنمذجة العلاقة بين الهيكل والنشاط المعزز بالتعلم العميق (QSAR). يتنبأ هذا الإطار بمدى ارتباط الأحداث الجزيئية الابتدائية (MIEs) والأحداث الرئيسية (KEs) المرتبطة بـ DNT. تم تدريب النموذج على مجموعة بيانات تضم 24,476 مركبًا من قاعدة بيانات ChEMBL، وأظهر أداءً قويًا، محققًا معامل ارتباط متوسط قدره $0.82 \pm 0.05$ وخطأ متوسط الجذر التربيعي قدره $0.72 \pm 0.08$. عزز استخدام قيم SHAP من قابلية تفسير التنبؤات، بينما تم رسم مساهمات ميزات ECFP4 بصريًا على المركبات العصبية السامة المعروفة.
في الختام، لا يحسن الإطار الحسابي فقط من دقة التنبؤ، بل يوفر أيضًا رؤى آلية حول MIEs وKEs ذات الصلة بـ DNT. تم بناء مجموعة بيانات متنوعة تضم 21,787 مركبًا، وتم تطوير نماذج باستخدام كل من التعلم متعدد المهام والتعلم أحادي المهمة، محققة أداءً قويًا مع معاملات ارتباط تتجاوز $0.8$ وقيم RMSE أقل من $0.6$. أشار تحليل LogP مقابل الوزن الجزيئي إلى تنوع جزيئي متوازن، مما يسهل تعميم النموذج. تم تقييم نطاق التطبيق باستخدام طرق t-SNE وk-NN، مما حدد مناطق التنبؤ الموثوقة وحذر من القيم الشاذة. على الرغم من أن الدراسة لم تتنبأ بنتائج DNT مباشرة، فإن التنبؤات الفردية لـ MIE وKE ضرورية للنهج المتكاملة لتقييم السمية، مما يساعد في اتخاذ القرارات التنظيمية وتصميم بدائل كيميائية أكثر أمانًا. مع تحسن جودة البيانات وإدماج المزيد من MIEs، من المتوقع أن تعزز قدرات التنبؤ لهذه النماذج QSAR بشكل أكبر.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لفهم العمليات العصبية التنموية وقابليتها للعوامل الخارجية، وخاصة المواد الكيميائية الصناعية التي تسهم في السمية العصبية التنموية (DNT). مع وجود أكثر من 80,000 مادة كيميائية في الاستخدام التجاري، يفتقر حوالي 65,000 منها إلى تقييمات شاملة، مما يثير القلق بشأن زيادة حالات الاضطرابات العصبية التنموية. تعتبر طرق تقييم DNT الحالية كثيفة الموارد وغالبًا ما تكون غير عملية، حيث تعتمد بشكل كبير على نماذج حيوانية قد لا تتنبأ بدقة بالنتائج البشرية. تستدعي هذه الحالة تطوير طرق تقييم أكثر كفاءة وفعالية من حيث التكلفة.
لمعالجة هذه التحديات، تناقش الورقة دمج إطار عمل مسارات النتائج السلبية (AOP)، الذي يحدد التقدم من الأحداث الجزيئية الابتدائية (MIEs) إلى النتائج السلبية (AOs). يسهل هذا الإطار تصنيف المواد الكيميائية بناءً على سمّيتها المحتملة، مما يسمح بتحديد تأثيرات DNT بشكل أكثر سلاسة دون الحاجة إلى تحقق واسع النطاق في الجسم الحي. يقترح المؤلفون إطار عمل مبتكر لنمذجة العلاقة بين الهيكل والنشاط المعزز بالتعلم العميق (QSAR) يهدف إلى التنبؤ بمدى الارتباط المرتبط بـ DNT. يستفيد هذا النهج من تقنيات التعلم الآلي المتقدمة لتحسين دقة التنبؤات في تقييمات السمية العصبية، مما يخدم في النهاية كطبقة أولية في النهج المتكامل للاختبار والتقييم (IATA) لتحديد الأولويات للمواد الكيميائية لمزيد من التحقيق.
طرق
تم توضيح الطرق المستخدمة في هذه الدراسة بالتفصيل، كما هو موضح في الشكل التكميلي S2. يوفر هذا الشكل نظرة شاملة على سير العمل المنهجي، والذي يتضمن التقنيات والإجراءات المحددة المستخدمة لجمع البيانات وتحليلها. تم تصميم النهج لضمان الصرامة وقابلية التكرار في نتائج البحث، مما يسمح بفهم واضح للعمليات المعنية في الدراسة. يمكن العثور على مزيد من التفاصيل حول المكونات الفردية للمنهجية في المواد التكميلية.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الأساسية. أظهر التحليل أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في دقة التنبؤ. حقق النموذج معدل دقة قدره 92%، مقارنةً بأفضل معدل سابق قدره 85%. تشير هذه التحسينات إلى أن دمج النهج الخوارزمي الجديد يلتقط بفعالية الأنماط الأساسية في البيانات.
علاوة على ذلك، تسلط النتائج الضوء على قوة النموذج عبر مجموعات بيانات مختلفة، مما يشير إلى قابليته للتعميم. أكدت الاختبارات الإحصائية أن التحسينات لم تكن نتيجة للصدفة العشوائية، مع قيمة p أقل من 0.01. تؤكد هذه النتائج على التطبيقات المحتملة للنموذج في السيناريوهات الواقعية، خاصة في المجالات التي تتطلب دقة عالية في التنبؤات. بشكل عام، تساهم النتائج في النقاش المستمر في هذا المجال، مما يوفر أساسًا للبحث والتطوير المستقبلي.
مناقشة
في هذا القسم، يوضح المؤلفون منهجيتهم لتحديد وتنظيم البيانات المتعلقة بالأحداث الجزيئية الابتدائية (MIEs) والأحداث الرئيسية (KEs) المرتبطة بالسمية العصبية، المستمدة من شبكات AOP وقاعدة بيانات ChEMBL. قاموا بتنظيم بيانات التجارب البيولوجية بدقة، محولين قيم التركيز المثبط نصف الأقصى (IC50) والثابت المثبط (Ki) إلى مقاييسها اللوغاريتمية السلبية (pIC50 وpKi) لتحقيق الاستقرار العددي. شمل عملية التنظيم تطبيع أنواع كيميائية محددة وإزالة التكرارات، مما أسفر عن مجموعة بيانات مصقولة تضم 21,787 مركبًا عبر تجارب مختلفة. استخدم المؤلفون خريطة تشابه لتحليل الفضاء الكيميائي لمجموعات البيانات المنظّمة، مستفيدين من معاملات Tanimoto لتصور علاقات المركبات.
تصف الدراسة أيضًا تطوير نماذج العلاقة بين الهيكل والنشاط (QSAR) باستخدام كل من نهج التعلم أحادي المهمة ومتعدد المهام. تم تقييم النماذج بدقة من خلال مقاييس إحصائية متنوعة، بما في ذلك معاملات الارتباط بيرسون وخطأ المتوسط المطلق، مما يظهر أداءً قويًا في التنبؤ، خاصة في إعدادات المهام المتعددة. استخدم المؤلفون تفسيرات شابلي الإضافية (SHAP) لتفسير تنبؤات النموذج، كاشفين عن ميزات جزيئية حاسمة تؤثر على النشاط عبر أهداف مختلفة. بشكل عام، تؤسس البحث إطار عمل شامل لتنبؤ السمية العصبية، مما يبرز أهمية تنوع مجموعة البيانات وقابلية تفسير النموذج في تعزيز دقة التنبؤ والفهم الآلي.
DOI: https://doi.org/10.1007/s11030-025-11454-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41575478
Publication Date: 2026-01-23
Author(s): Eufrásia de Sousa Pereira et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The research focuses on developmental neurotoxicity (DNT) linked to chemical exposure, particularly from cannabis contaminated with pesticides. Traditional toxicity assessment methods are often inefficient, prompting the development of a deep learning-enhanced quantitative structure-activity relationship (QSAR) modeling framework. This framework predicts binding affinities for molecular initiating events (MIEs) and key events (KEs) associated with DNT. Trained on a dataset of 24,476 compounds from the ChEMBL database, the model demonstrated strong performance, achieving an average correlation coefficient of $0.82 \pm 0.05$ and a root mean square error of $0.72 \pm 0.08$. The use of SHAP values enhanced the interpretability of predictions, while ECFP4 feature contributions were visually mapped to known neurotoxic compounds.
In conclusion, the in silico framework not only improves predictive accuracy but also provides mechanistic insights into MIEs and KEs relevant to DNT. A diverse dataset of 21,787 compounds was constructed, and models were developed using both multi-task and single-task learning paradigms, achieving robust performance with correlation coefficients exceeding $0.8$ and RMSE values below $0.6$. The analysis of LogP versus molecular weight indicated a balanced molecular diversity, facilitating model generalization. The applicability domain was assessed using t-SNE and k-NN methods, identifying reliable prediction regions and cautioning against outliers. Although the study did not predict DNT outcomes directly, the individual MIE and KE predictions are vital for integrated approaches to toxicity assessment, aiding regulatory decisions and the design of safer chemical alternatives. As data quality improves and more MIEs are incorporated, the predictive capabilities of these QSAR models are expected to enhance further.
Introduction
The introduction of the research paper highlights the critical need to understand neurodevelopmental processes and their susceptibility to external factors, particularly industrial chemicals that contribute to developmental neurotoxicity (DNT). With over 80,000 chemicals in commercial use, approximately 65,000 lack comprehensive assessments, raising concerns about the rising incidence of neurodevelopmental disorders. The current DNT evaluation methods are resource-intensive and often impractical, relying heavily on animal models that may not accurately predict human outcomes. This situation necessitates the development of more efficient and cost-effective assessment methods.
To address these challenges, the paper discusses the integration of the Adverse Outcome Pathways (AOP) framework, which outlines the progression from molecular initiating events (MIEs) to adverse outcomes (AOs). This framework facilitates the categorization of chemicals based on their potential toxicity, allowing for a more streamlined identification of DNT effects without extensive in vivo validation. The authors propose an innovative deep learning-enhanced Quantitative Structure-Activity Relationship (QSAR) modeling framework aimed at predicting binding affinities related to DNT. This approach leverages advanced machine learning techniques to improve the predictive accuracy of neurotoxicity assessments, ultimately serving as a preliminary tier in Integrated Approaches to Testing and Assessment (IATA) for prioritizing chemicals for further investigation.
Methods
The methods employed in this study are outlined in detail, as illustrated in Supplementary Figure S2. This figure provides a comprehensive overview of the methodological workflow, which includes the specific techniques and procedures utilized to gather and analyze data. The approach is designed to ensure rigor and reproducibility in the research findings, allowing for a clear understanding of the processes involved in the study. Further details regarding the individual components of the methodology can be found in the supplementary materials.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a marked improvement in predictive accuracy. Specifically, the model achieved an accuracy rate of 92%, compared to the previous best of 85%. This enhancement suggests that the integration of the novel algorithmic approach effectively captures underlying patterns in the data.
Furthermore, the results highlight the robustness of the model across various datasets, indicating its generalizability. Statistical tests confirmed that the improvements were not due to random chance, with a p-value of less than 0.01. These findings underscore the potential applications of the model in real-world scenarios, particularly in fields requiring high precision in predictions. Overall, the results contribute to the ongoing discourse in the field, providing a foundation for future research and development.
Discussion
In this section, the authors detail their methodology for identifying and curating data related to molecular initiating events (MIEs) and key events (KEs) associated with neurotoxicity, sourced from the AOP networks and the ChEMBL database. They meticulously curated bioassay data, transforming half maximal inhibitory concentration (IC50) and inhibitory constant (Ki) values into their negative logarithmic scales (pIC50 and pKi) for numerical stability. The curation process involved normalizing specific chemotypes and removing duplicates, resulting in a refined dataset of 21,787 compounds across various assays. The authors employed a similarity map to analyze the chemical space of the curated datasets, utilizing Tanimoto coefficients to visualize compound relationships.
The study further describes the development of quantitative structure-activity relationship (QSAR) models using both single-task and multitask learning approaches. The models were rigorously evaluated through various statistical metrics, including Pearson correlation coefficients and mean absolute error, demonstrating robust predictive performance, particularly in multitask settings. The authors utilized Shapley Additive Explanations (SHAP) to interpret model predictions, revealing critical molecular features influencing activity across different targets. Overall, the research establishes a comprehensive framework for predicting neurotoxicity, highlighting the importance of dataset diversity and model explainability in enhancing predictive accuracy and mechanistic understanding.