准确预测 N-亚硝胺等化合物的毒性和效力至关重要。各种卫生机构开发的致癌潜能分类方法 (CPCA) 计算器已被用于推导亚硝胺化合物的可接受摄入值。然而，将读数交叉方法整合到 CPCA 工作流程中是向前迈出的一步。在此，我们探讨了读数交叉支持对 N-亚硝胺的有用性，以及它如何为标准 CPCA 计算器提供价值。
blank
通过将数据贫乏的目标化合物与结构和生物特性相似、数据丰富的化合物（称为类似物）的已知特性进行比较，从而predict 目标化合物的特性。 局部相似性（即不同化合物中装饰亚结构的相似性）在评估所选类似物的适当性方面起着至关重要的作用，从而提高了相应的交叉预测的准确性。通过关注 N-亚硝基胺在 N-亚硝基局部化学环境中的结构特征，读交叉方法可以识别出具有高度相关性的类似物。这种局部相似性方法可确保预测基于与目标化合物具有相同关键结构和功能特征的化合物。
为 CPCA 计算器增值：
- 重点预测：读取交叉，强调局部相似性，为 N-亚硝胺的预测提供了更多信心。CPCA 计算器使用的是通用方法，可能无法完全捕捉特定化学结构的细微差别。
- 数据整合：交叉阅读方法整合了各种类型的数据，包括新陈代谢、物理化学特性和整体生物相似性。这种综合方法可支持稳健的预测。
- 针对具体情况的评估：CPCA 计算器依赖于预定义的算法，而读取支持则涉及专家判断，可进行更细致入微和针对具体情况的评估。
通过提供更准确、更可靠的预测，整合不同的数据类型，并结合专家的判断，读数交叉法是标准 CPCA 计算器的重要补充。
作为 2025 版本的一部分，Leadscope 的 CPCA 工具现已集成到 “读取-交叉 “功能中！
- 它扩展了全球卫生机构定义的 CPCA 计算器的可访问功能，可对正亚硝胺化合物进行更深入的分析。
- 局部相似性分析为类似物分析提供了另一种方法，使计算出的可接受摄入量值更具可信度。
