Сравнительный анализ методов прогнозирования токсичности химических веществ (обзор литературы)

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

Финансирование. Исследование не имело финансовой поддержки.

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

1. CAS REGISTRY. Available at: https://cas.org/cas-data/cas-registry

2. Зулькарнаев 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/yqscbx

3. 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/jsaomb

4. Правдин Н.С. Методика малой токсикологии промышленных ядов. М.: Медгиз; 1947.

5. 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/ojnrlz

6. 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/zfbyyf

7. 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.2019.105060

8. Новиков С.М. Гигиеническое нормирование совместно действующих факторов. Гигиена и санитария. 2020; 99(2): 222–3. https://elibrary.ru/zdjwks

9. 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-information

10. Patlewicz 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.2013.06.002

11. van 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/10.1080/10629360902949179

12. Kovarich 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.201800121

13. Varsou 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/c9na00242a

14. Ball 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.2013.12.007

15. Helman 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.1811292

16. Rorije 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/10.1177/026119291304100109

17. Berggren 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.1409342

18. Schultz 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.2015.05.016

19. Schultz 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.2017.06.011

20. Поройков 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/fovdiu

21. 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/tx400110f

22. Erturan 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.2023.131616

23. Hu 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-w

24. Lin 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/kfac075

25. Golbamaki 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_9

26. Venkatapathy 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.2008.09.028

27. Viganò 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/toxics12010087

28. Cheng 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.2024.123405

29. Russo 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/EHP3614

30. Kutsarova 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.2021.105015

31. Cases 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/ijms151121136

32. Cavasotto 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.2c05693

33. Hisaki 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