medlitГигиена и санитарияHygiene and Sanitation0016-99002412-0650Federal Scientific Center of Hygiene named after F.F. Erisman10.47470/0016-9900-2025-104-5-670-673dsqctnmedlit-4937Research ArticleПРОФИЛАКТИЧЕСКАЯ ТОКСИКОЛОГИЯ И ГИГИЕНИЧЕСКОЕ НОРМИРОВАНИЕPREVENTIVE TOXICOLOGY AND HYGIENIC STANDARTIZATIONСравнительный анализ методов прогнозирования токсичности химических веществ (обзор литературы)Comparative analysis of methods for predicting the toxicity of chemicals (literature review)https://orcid.org/0000-0001-8389-7981ГусеваЕкатерина АндреевнаGusevaEkaterina A.

Канд. мед. наук, старший преподаватель каф. экологии человека и гигиены окружающей среды Института общественного здоровья им. Ф.Ф. Эрисмана; ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России, 199911, Москва, Россия

e-mail: guseva_e_a@staff.sechenov.ru

PhD (Medicine), Senior Lecturer of the Department of Human Ecology and Environmental Hygiene, Sechenov University, Moscow, 199911, Russian Federation, 140081

e-mail: guseva_e_a@staff.sechenov.ru

guseva_e_a@staff.sechenov.ruhttps://orcid.org/0000-0003-1226-9990НиколаеваНаталья ИвановнаNikolaevaNatalia I.

Доктор мед. наук, профессор, профессор каф. экологии человека и гигиены окружающей среды Института общественного здоровья им. Ф.Ф. Эрисмана; ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России, 199911, Москва, Россия

e-mail: nativ.nikolayeva@gmail.com

DSc (Medicine), Professor, Professor of the Department of Human Ecology and Environmental Hygiene, Sechenov University, Moscow, 119991, Russian Federation

e-mail: nativ.nikolayeva@gmail.com

nativ.nikolayeva@gmail.comhttps://orcid.org/0009-0003-8174-9426СавранецЕлизавета ВладимировнаSavranetsElizaveta V.

Врач-эпидемиолог, ГБУЗ Московской области «Домодедовская больница», 140081, Домодедово, Россия

Epidemiologist, Domodedovo Hospital, Domodedovo, 140081, Russian Federation

https://orcid.org/0009-0006-8700-3408ЖантлисоваДарья МаксатовнаZhantlisovaDaria M.

Ординатор по направлению «Общая гигиена», ФБУН «ФНЦГ им. Ф.Ф. Эрисмана» Роспотребнадзора, 141014, Мытищи, Россия

Resident in General Hygiene, Federal Scientific Center of Hygiene named after F.F. Erisman, Mytishchi, 141014, Russian Federation

https://orcid.org/0000-0003-0135-7258ОнищенкоГеннадий ГригорьевичOnishchenkoGennadij G.

Доктор мед. наук, профессор, академик РАН, зав. каф. экологии человека и гигиены окружающей среды Института общественного здоровья им. Ф.Ф. Эрисмана; ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России, 199911, Москва, Россия

e-mail: ecology.n@1msmu.ru

DSc (Medicine), Professor, Academician of the RAS, Head of the Department of Human Ecology and Environmental Hygiene, Sechenov University, 119991, Moscow, Russian Federation

e-mail: ecolog.n@1msmu.ru

ecolog.n@1msmu.ruФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения (Сеченовский Университет)РоссияSechenov First Moscow State Medical University (Sechenov University), Moscow, 199911, Russian FederationRussian FederationГБУЗ Московской области «Домодедовская больница»РоссияDomodedovo HospitalRussian FederationФБУН «Федеральный научный центр гигиены имени Ф.Ф. Эрисмана» РоспотребнадзораРоссияFederal Scientific Research Center for Hygiene named after F.F. ErismanRussian Federation2025270620251045670673Copyright © Гусева Е.А., Николаева Н.И., Савранец Е.В., Жантлисова Д.М., Онищенко Г.Г., 20252025Гусева Е.А., Николаева Н.И., Савранец Е.В., Жантлисова Д.М., Онищенко Г.Г.Guseva E.A., Nikolaeva N.I., Savranets E.V., Zhantlisova D.M., Onishchenko G.G.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjhas.ru/jour/article/view/4937

Количество зарегистрированных химических веществ за последние семь лет увеличилось в два раза – до 200 млн соединений. В настоящее время разработка альтернативных методов исследования имеет особое значение. Наибольший интерес у исследователей вызывают методы перекрёстного считывания и машинного обучения.

Цель исследования – сравнительный анализ методов перекрёстного считывания (read across) и машинного обучения, применяемых при прогнозировании токсичности химических веществ.

Осуществлён поиск нормативных документов по информационно-правовым порталам «КонсультантПлюс» и «Гарант.ру». Анализ научной литературы выполнен с использованием базы данных PubMed, научной электронной библиотеки «КиберЛенинка» и электронной библиотеки eLIBRARY с использованием ключевых слов read-across, toxicity prediction, machine learning и их аналогов на русском языке. Выбраны публикации на русском и английском языках за последние 25 лет с учётом критериев включения и исключения. Анализ показал разнонаправленность применения перекрёстного считывания и машинного обучения при прогнозировании токсичности химических веществ. При существующих ограничениях указанных методов в ряде работ продемонстрирована достаточная надёжность и точность их использования. Совместное применение перекрёстного считывания и машинного обучения позволит обеспечить более эффективное прогнозирование токсичности химических веществ.

Заключение

Заключение. Применение методов in silico в профилактической токсикологии является перспективным направлением. Разработка алгоритма совместного применения различных методов прогнозирования токсичности веществ актуальна для токсиколого-гигиенических исследований.

Участие авторов

Участие авторов: Гусева Е.А. – концепция и дизайн исследования, сбор материала и обработка данных, написание текста; Николаева Н.И. – редактирование; Савранец Е.В., Жантлисова Д.М. – сбор материала и обработка данных; Онищенко Г.Г. – редактирование. Все соавторы – утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Конфликт интересов

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Финансирование

Финансирование. Исследование не имело финансовой поддержки.

Поступила

Поступила: 15.01.2025 / Принята к печати: 26.03.2025 / Опубликована: 27.06.2025

The number of registered chemicals has doubled over the past seven years to 200 million compounds. Currently, the development of alternative research methods is becoming increasingly important. The methods of cross-reading and machine learning are of the greatest interest to researchers.

The purpose of the study is to conduct a comparative analysis of read-across and machine learning methods used in predicting the toxicity of chemicals.

A search was conducted for regulatory legal acts on two information and legal portals – ConsultantPlus and Garant.ru. The search for scientific literature was conducted using the PubMed database, the Cyberleninka scientific electronic library and the eLIBRARY electronic library using keywords such as "read-across", "toxicity prediction", "machine learning", and their analogues in Russian. The reports in Russian and English for the last 25 years have been selected, taking into account the inclusion and exclusion criteria. The conducted review showed the multidirectional application of read-across and machine learning in predicting the toxicity of chemicals. Despite the fact that there is a number of limitations to the use of these methods, a number of studies have demonstrated sufficient reliability and accuracy of their use. The combined use of read-across and machine learning will allow more effective predicting of chemical toxicity.

Conclusion

Conclusion. The conducted review showed the multidirectional application of read-across and machine learning in predicting the toxicity of chemicals. Despite the fact that there is a number of limitations to the use of these methods, a number of studies have demonstrated sufficient reliability and accuracy of their use. The combined use of read-across and machine learning will allow more effective predicting the chemical toxicity.

Contribution

Contribution: Guseva E.A. – research concept and design, material collection and data processing, text writing; Nikolayeva N.I. – editing; Savranets E.V., Zhantlisova D.M. – material collection and data processing; Onishchenko G.G. – editing. All authors are responsible for the integrity of all parts of the manuscript and approval of the manuscript final version.

Conflict of interest

Conflict of interest. The authors declare no conflict of interest.

Funding

Funding. The study had no sponsorship.

Received

Received: January 15, 2025 / Accepted: March 26, 2025 / Published: June 27, 2025

машинное обучениетоксичностьпрогнозированиеread-acrossаналоговый подходкатегорииmachine learningtoxicityforecastingread-acrossanalog approachcategoriesReferencesCAS REGISTRY. Available at: https://cas.org/cas-data/cas-registryCAS REGISTRY. Available at: https://cas.org/cas-data/cas-registryЗулькарнаев Т.Р., Соломинова Т.С., Тюрина Л.А., Новиков С.М. Прогнозирование класса опасности органических соединений по их структуре. Гигиена и санитария. 1999; 78(1): 56–9. https://elibrary.ru/yqscbxZulkarnaev T.R., Solominova T.S., Tiurina L.A., Novikov S.M. The prediction of the class of hazard of organic compounds by their structure. Gigiena i Sanitaria (Hygiene and Sanitation, Russian journal). 1999; 78(1): 56–9. https://elibrary.ru/yqscbx (in Russian)Кирлан С.А., Сементеева Л.Ш., Тюрина Л.А. Молекулярный дизайн и прогноз химических соединений по комплексу свойств активность-токсичность. Гигиена и санитария. 2008; 87(3): 77–80. https://elibrary.ru/jsaombKirlan S.A., Sementeyeva L.Sh., Tyurina L.A. Molecular design and prediction of chemical compounds from the complex of properties activity-toxicity. Gigiena i Sanitaria (Hygiene and Sanitation, Russian journal). 2008; 87(3): 77–80. https://elibrary.ru/jsaomb (in Russian)Правдин Н.С. Методика малой токсикологии промышленных ядов. М.: Медгиз; 1947.Pravdin N.S. Methods of Minor Toxicology of Industrial Poisons [Metodika maloi toksikologii promyshlennykh yadov]. Moscow: Medgiz; 1947. (in Russian)Харчевникова Н.В. Система прогноза токсичности и опасности химических веществ, основанная на совместном использовании логических и численных методов. Гигиена и санитария. 2005; 84(6): 21. https://elibrary.ru/ojnrlzKharchevnikova N.V. A system for predicting the toxicity and hazard of chemical substances, based on the joint use of logistic and numerical methods. Gigiena i Sanitaria (Hygiene and Sanitation, Russian journal). 2005; 84(6): 21. https://elibrary.ru/ojnrlz (in Russian)Зарицкая Е.В., Полозова Е.В., Богачева А.С. Современные альтернативные токсикологические методы исследования и перспективы их использования в практической деятельности. Гигиена и санитария. 2017; 96(7): 671–4. https://elibrary.ru/zfbyyfZaritskaya E.V., Polozova E.V., Bogacheva A.S. Modern alternative toxicological research methods and prospects of their use in practical activities. Gigiena i Sanitaria (Hygiene and Sanitation, Russian journal). 2017; 96(7): 671–4. https://elibrary.ru/zfbyyf (in Russian)Benfenati E., Chaudhry Q., Gini G., Dorne J.L. Integrating in silico models and read-across methods for predicting toxicity of chemicals: A step-wise strategy. Environ. Int. 2019; 131: 105060. https://doi.org/10.1016/j.envint.2019.105060Benfenati E., Chaudhry Q., Gini G., Dorne J.L. Integrating in silico models and read-across methods for predicting toxicity of chemicals: A step-wise strategy. Environ. Int. 2019; 131: 105060. https://doi.org/10.1016/j.envint.2019.105060Новиков С.М. Гигиеническое нормирование совместно действующих факторов. Гигиена и санитария. 2020; 99(2): 222–3. https://elibrary.ru/zdjwksNovikov S.M. Hygienic regulation for jointly acting harmful factors. Gigiena i Sanitaria (Hygiene and Sanitation, Russian journal). 2020; 99(2): 222–3. https://elibrary.ru/zdjwks (in Russian)Australian Industrial Chemicals Introduction Scheme. Working out your hazards using read-across information. Available at: https://industrialchemicals.gov.au/help-and-guides/working-out-your-hazards-using-read-across-informationAustralian Industrial Chemicals Introduction Scheme. Working out your hazards using read-across information. Available at: https://industrialchemicals.gov.au/help-and-guides/working-out-your-hazards-using-read-across-informationPatlewicz G., Ball N., Booth E.D., Hulzebos E., Zvinavashe E., Hennes C. Use of category approaches, read-across and (Q)SAR: general considerations. Regul. Toxicol. Pharmacol. 2013; 67(1): 1–12. https://doi.org/10.1016/j.yrtph.2013.06.002Patlewicz G., Ball N., Booth E.D., Hulzebos E., Zvinavashe E., Hennes C. Use of category approaches, read-across and (Q)SAR: general considerations. Regul. Toxicol. Pharmacol. 2013; 67(1): 1–12. https://doi.org/10.1016/j.yrtph.2013.06.002van Leeuwen K., Schultz T.W., Henry T., Diderich B., Veith G.D. Using chemical categories to fill data gaps in hazard assessment. SAR QSAR Environ. Res. 2009; 20(3–4): 207–20. https://doi.org/10.1080/10629360902949179van Leeuwen K., Schultz T.W., Henry T., Diderich B., Veith G.D. Using chemical categories to fill data gaps in hazard assessment. SAR QSAR Environ. Res. 2009; 20(3–4): 207–20. https://doi.org/10.1080/10629360902949179Kovarich S., Ceriani L., Fuart Gatnik M., Bassan A., Pavan M. Filling data gaps by read-across: a mini review on its application, developments and challenges. Mol. Inform. 2019; 38(8–9): e1800121. https://doi.org/10.1002/minf.201800121Kovarich S., Ceriani L., Fuart Gatnik M., Bassan A., Pavan M. Filling data gaps by read-across: a mini review on its application, developments and challenges. Mol. Inform. 2019; 38(8–9): e1800121. https://doi.org/10.1002/minf.201800121Varsou D.D., Afantitis A., Melagraki G., Sarimveis H. Read-across predictions of nanoparticle hazard endpoints: a mathematical optimization approach. Nanoscale Adv. 2019; 1(9): 3485–98. https://doi.org/10.1039/c9na00242aVarsou D.D., Afantitis A., Melagraki G., Sarimveis H. Read-across predictions of nanoparticle hazard endpoints: a mathematical optimization approach. Nanoscale Adv. 2019; 1(9): 3485–98. https://doi.org/10.1039/c9na00242aBall N., Bartels M., Budinsky R., Klapacz J., Hays S., Kirman C., et al. The challenge of using read-across within the EU REACH regulatory framework; how much uncertainty is too much? Dipropylene glycol methyl ether acetate, an exemplary case study. Regul. Toxicol. Pharmacol. 2014; 68(2): 212–21. https://doi.org/10.1016/j.yrtph.2013.12.007Ball N., Bartels M., Budinsky R., Klapacz J., Hays S., Kirman C., et al. The challenge of using read-across within the EU REACH regulatory framework; how much uncertainty is too much? Dipropylene glycol methyl ether acetate, an exemplary case study. Regul. Toxicol. Pharmacol. 2014; 68(2): 212–21. https://doi.org/10.1016/j.yrtph.2013.12.007Helman G., Shah I., Williams A.J., Edwards J., Dunne J., Patlewicz G. Generalized Read-Across (GenRA): A workflow implemented into the EPA CompTox Chemicals Dashboard. ALTEX. 2019; 36(3): 462–5. https://doi.org/10.14573/altex.1811292Helman G., Shah I., Williams A.J., Edwards J., Dunne J., Patlewicz G. Generalized Read-Across (GenRA): A workflow implemented into the EPA CompTox Chemicals Dashboard. ALTEX. 2019; 36(3): 462–5. https://doi.org/10.14573/altex.1811292Rorije E., Aldenberg T., Peijnenburg W. Read-across estimates of aquatic toxicity for selected fragrances. Altern. Lab. Anim. 2013; 41(1): 77–90. https://doi.org/10.1177/026119291304100109Rorije E., Aldenberg T., Peijnenburg W. Read-across estimates of aquatic toxicity for selected fragrances. Altern. Lab. Anim. 2013; 41(1): 77–90. https://doi.org/10.1177/026119291304100109Berggren E., Amcoff P., Benigni R., Blackburn K., Carney E., Cronin M., et al. Chemical safety assessment using read-across: assessing the use of novel testing methods to strengthen the evidence base for decision making. Environ. Health Perspect. 2015; 123(12): 1232–40. https://doi.org/10.1289/ehp.1409342Berggren E., Amcoff P., Benigni R., Blackburn K., Carney E., Cronin M., et al. Chemical safety assessment using read-across: assessing the use of novel testing methods to strengthen the evidence base for decision making. Environ. Health Perspect. 2015; 123(12): 1232–40. https://doi.org/10.1289/ehp.1409342Schultz T.W., Amcoff P., Berggren E., Gautier F., Klaric M., Knight D.J., et al. A strategy for structuring and reporting a read-across prediction of toxicity. Regul. Toxicol. Pharmacol. 2015; 72(3): 586–601. https://doi.org/10.1016/j.yrtph.2015.05.016Schultz T.W., Amcoff P., Berggren E., Gautier F., Klaric M., Knight D.J., et al. A strategy for structuring and reporting a read-across prediction of toxicity. Regul. Toxicol. Pharmacol. 2015; 72(3): 586–601. https://doi.org/10.1016/j.yrtph.2015.05.016Schultz T.W., Cronin M.T.D. Lessons learned from read-across case studies for repeated-dose toxicity. Regul. Toxicol. Pharmacol. 2017; 88: 185–91. https://doi.org/10.1016/j.yrtph.2017.06.011Schultz T.W., Cronin M.T.D. Lessons learned from read-across case studies for repeated-dose toxicity. Regul. Toxicol. Pharmacol. 2017; 88: 185–91. https://doi.org/10.1016/j.yrtph.2017.06.011Поройков В.В., Дмитриев А.В., Дружиловский Д.С., Иванов С.М., Лагунин А.А., Погодин П.В. и др. Оценка безопасности фармакологически активных веществ in silico c применением методов машинного обучения: обзор. Безопасность и риск фармакотерапии. 2023; 11(4): 372–89. https://doi.org/10.30895/2312-7821-2023-11-4-372-389 https://elibrary.ru/fovdiuPoroikov V.V., Dmitriev A.V., Druzhilovskiy D.S., Ivanov S.M., Lagunin A.A., Pogodin P.V., et al. In silico estimation of the safety of pharmacologically active substances using machine learning methods: a review. Bezopasnost’ i risk farmakoterapii. 2023; 11(4): 372–89. https://doi.org/10.30895/2312-7821-2023-11-4-372-389 https://elibrary.ru/fovdiu (in Russian)Low Y., Sedykh A., Fourches D., Golbraikh A., Whelan M., Rusyn I., et al. Integrative chemical-biological read-across approach for chemical hazard classification. Chem. Res. Toxicol. 2013; 26(8): 1199–208. https://doi.org/10.1021/tx400110fLow Y., Sedykh A., Fourches D., Golbraikh A., Whelan M., Rusyn I., et al. Integrative chemical-biological read-across approach for chemical hazard classification. Chem. Res. Toxicol. 2013; 26(8): 1199–208. https://doi.org/10.1021/tx400110fErturan A.M., Karaduman G., Durmaz H. Machine learning-based approach for efficient prediction of toxicity of chemical gases using feature selection. J. Hazard. Mater. 2023; 455: 131616. https://doi.org/10.1016/j.jhazmat.2023.131616Erturan A.M., Karaduman G., Durmaz H. Machine learning-based approach for efficient prediction of toxicity of chemical gases using feature selection. J. Hazard. Mater. 2023; 455: 131616. https://doi.org/10.1016/j.jhazmat.2023.131616Hu X.M., Hou Y.Y., Teng X.R., Liu Y., Li Y., Li W., et al. Prediction of cytochrome P450-mediated bioactivation using machine learning models and in vitro validation. Arch. Toxicol. 2024; 98(5): 1457–67. https://doi.org/10.1007/s00204-024-03701-wHu X.M., Hou Y.Y., Teng X.R., Liu Y., Li Y., Li W., et al. Prediction of cytochrome P450-mediated bioactivation using machine learning models and in vitro validation. Arch. Toxicol. 2024; 98(5): 1457–67. https://doi.org/10.1007/s00204-024-03701-wLin Z., Chou W.C. Machine learning and artificial intelligence in toxicological sciences. Toxicol. Sci. 2022; 189(1): 7–19. https://doi.org/10.1093/toxsci/kfac075Lin Z., Chou W.C. Machine learning and artificial intelligence in toxicological sciences. Toxicol. Sci. 2022; 189(1): 7–19. https://doi.org/10.1093/toxsci/kfac075Golbamaki A., Benfenati E., Roncaglioni A. In silico methods for carcinogenicity assessment. Methods Mol. Biol. 2022; 2425: 201–15. https://doi.org/10.1007/978-1-0716-1960-5_9Golbamaki A., Benfenati E., Roncaglioni A. In silico methods for carcinogenicity assessment. Methods Mol. Biol. 2022; 2425: 201–15. https://doi.org/10.1007/978-1-0716-1960-5_9Venkatapathy R., Wang C.Y., Bruce R.M., Moudgal C. Development of quantitative structure-activity relationship (QSAR) models to predict the carcinogenic potency of chemicals I. Alternative toxicity measures as an estimator of carcinogenic potency. Toxicol. Appl. Pharmacol. 2009; 234(2): 209–21. https://doi.org/10.1016/j.taap.2008.09.028Venkatapathy R., Wang C.Y., Bruce R.M., Moudgal C. Development of quantitative structure-activity relationship (QSAR) models to predict the carcinogenic potency of chemicals I. Alternative toxicity measures as an estimator of carcinogenic potency. Toxicol. Appl. Pharmacol. 2009; 234(2): 209–21. https://doi.org/10.1016/j.taap.2008.09.028Viganò E.L., Ballabio D., Roncaglioni A. Artificial intelligence and machine learning methods to evaluate cardiotoxicity following the adverse outcome pathway frameworks. Toxics. 2024; 12(1): 87. https://doi.org/10.3390/toxics12010087Viganò E.L., Ballabio D., Roncaglioni A. Artificial intelligence and machine learning methods to evaluate cardiotoxicity following the adverse outcome pathway frameworks. Toxics. 2024; 12(1): 87. https://doi.org/10.3390/toxics12010087Cheng K., Pan Y., Yuan B. Cytotoxicity prediction of nano metal oxides on different lung cells via Nano-QSAR. Environ. Pollut. 2024; 344: 123405. https://doi.org/10.1016/j.envpol.2024.123405Cheng K., Pan Y., Yuan B. Cytotoxicity prediction of nano metal oxides on different lung cells via Nano-QSAR. Environ. Pollut. 2024; 344: 123405. https://doi.org/10.1016/j.envpol.2024.123405Russo D.P., Strickland J., Karmaus A.L., Wang W., Shende S., Hartung T., et al. Nonanimal models for acute toxicity evaluations: applying data-driven profiling and read-across. Environ. Health Perspect. 2019; 127(4): 47001. https://doi.org/10.1289/EHP3614Russo D.P., Strickland J., Karmaus A.L., Wang W., Shende S., Hartung T., et al. Nonanimal models for acute toxicity evaluations: applying data-driven profiling and read-across. Environ. Health Perspect. 2019; 127(4): 47001. https://doi.org/10.1289/EHP3614Kutsarova S., Mehmed A., Cherkezova D., Stoeva S., Georgiev M., Petkov T., et al. Automated read-across workflow for predicting acute oral toxicity: I. The decision scheme in the QSAR toolbox. Regul. Toxicol. Pharmacol. 2021; 125: 105015. https://doi.org/10.1016/j.yrtph.2021.105015Kutsarova S., Mehmed A., Cherkezova D., Stoeva S., Georgiev M., Petkov T., et al. Automated read-across workflow for predicting acute oral toxicity: I. The decision scheme in the QSAR toolbox. Regul. Toxicol. Pharmacol. 2021; 125: 105015. https://doi.org/10.1016/j.yrtph.2021.105015Cases M., Briggs K., Steger-Hartmann T., Pognan F., Marc P., Kleinöder T., et al. The eTOX data-sharing project to advance in silico drug-induced toxicity prediction. Int. J. Mol. Sci. 2014; 15(11): 21136–54. https://doi.org/10.3390/ijms151121136Cases M., Briggs K., Steger-Hartmann T., Pognan F., Marc P., Kleinöder T., et al. The eTOX data-sharing project to advance in silico drug-induced toxicity prediction. Int. J. Mol. Sci. 2014; 15(11): 21136–54. https://doi.org/10.3390/ijms151121136Cavasotto C.N., Scardino V. Machine learning toxicity prediction: latest advances by toxicity end point. ACS Omega. 2022; 7(51): 47536–46. https://doi.org/10.1021/acsomega.2c05693Cavasotto C.N., Scardino V. Machine learning toxicity prediction: latest advances by toxicity end point. ACS Omega. 2022; 7(51): 47536–46. https://doi.org/10.1021/acsomega.2c05693Hisaki T., Kaneko M.A.N., Hirota M., Matsuoka M., Kouzuki H. Integration of read-across and artificial neural network-based QSAR models for predicting systemic toxicity: A case study for valproic acid. J. Toxicol. Sci. 2020; 45(2): 95–108. https://doi.org/10.2131/jts.45.95Hisaki T., Kaneko M.A.N., Hirota M., Matsuoka M., Kouzuki H. Integration of read-across and artificial neural network-based QSAR models for predicting systemic toxicity: A case study for valproic acid. J. Toxicol. Sci. 2020; 45(2): 95–108. https://doi.org/10.2131/jts.45.95

The authors declare that there are no conflicts of interest present.