IN SILICO МОДЕЛІ ПРОГНОЗУВАННЯ МУТАГЕННОСТІ ЕЙМСА НА ОСНОВІ ВІДБИТКІВ МОЛЕКУЛЯРНОЇ СТРУКТУРИ КСЕНОБІОТИКІВ

Анотація

Одна з основних глобальних проблем, з якою стикається людство у 21ст. пов`язана з забрудненням навколишнього середовища. Урбанізація, активний розвиток промисловості та впровадження сучасних технологій у всіх сферах житєдіяльності людини сприяють експоненційному зростанню кількості хімічник сполук, що потрапляють у довкілля. Достатньо велика кількість ксенобіотиків, що представлені у навколишньому середовищі, через механізми прямого або опосередкованого впливу на генетичний апарат людини можуть індукувати розвиток спадкових та/або онкологічних захворювань. Суттєве збільшення кількості зафіксованих випадків онкологічних захворювань у різних країнах світу є основним стимулом для активізації наукової спільноти з метою ефективного виявлення та обліку всіх факторів навколишнього середовища, що можуть проявляти генотоксичні властивості. З урахуванням першочергового вирішення задачі, що пов`язана з підтримкою та збереженням генетичного здоров`я людської популяції, на сьогоднішній день потребують перегляду та удосконалення базові in vitro in vivo методи оцінки генотоксичності впливу факторів навколишнього середовища. У цьому контексті заслуговують на увагу сучасні in silico підходи до оцінки генетичної безпеки факторів навколишнього середовища, що мають достатньо значний, але не повністю реалізований потенціал. В роботі представлена методика розробки орієнтованих на основні структурні класи in silico моделей оцінки мутагенності Еймса (AMES/QSAR), що в якості предикторів використовують різни типи відбитків молекулярної структури (molecular fingerprint) кcенобіотиків. В основі вирішення задачі бінарної класифікації були обрані два ансамблевих метода машинного навчання: метод випадкового лісу та екстремального градієнтного бустінга. Точність бінарних класифікаторів на рівні 80-85%, які були розроблені відповідно до представленої у роботі методики, відповідає відтворюваності теста Еймса в різних лабораторіях. Показано, що орієнтовані на структурні класи бінарні класифікатори є більш ефективними для прогнозування мутагенності Еймса, у порівнянні з AMES/QSAR моделями, що на етапі навчання використовували частину повного необнорідного набору вхідних даних.