利用从专有数据中获得的知识优化预测模型  

计算方法对于评估缺乏实验数据的化合物的潜在风险至关重要，而皮肤过敏是化学品安全评估中的一个关键终点。以前的研究表明，将从专有数据源获得的知识整合到硅学模型中，可以提高硅学 模型的预测准确性和可靠性。 

最近，Leadscope 与业界合作更新了我们的皮肤过敏模型。这项工作包括将来自专有数据源的知识整合到基于专家规则系统的知识库中。 此外，还在培训和参考数据库中添加了几百个新结构。通过与行业合作伙伴的合作，收集了在局部淋巴结试验（LLNA）或豚鼠最大化试验（GPMT）中评估的 925 种化合物的历史皮肤过敏数据。更新后的模型在专有数据集中预测强/极端致敏结果的准确率达到 82%。这项研究支持了这样的假设，即来自企业数据库的知识可以advance 具有更强预测能力和性能的硅学模型。  

我们很高兴能在佛罗里达州奥兰多举行的第⁶⁴届 SOT 年会暨 ToxExpo（3 月¹⁹ 日星期三上午 9:05-9:35 在 W203A 室举行）上，在题为 “从专有数据集中提取知识以促进 QSAR 模型“的研讨会上分享这一合作成果。

请联系我们的专家或在此了解更多解决方案。