CN110415770B - 一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 - Google Patents
一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 Download PDFInfo
- Publication number
- CN110415770B CN110415770B CN201910788995.5A CN201910788995A CN110415770B CN 110415770 B CN110415770 B CN 110415770B CN 201910788995 A CN201910788995 A CN 201910788995A CN 110415770 B CN110415770 B CN 110415770B
- Authority
- CN
- China
- Prior art keywords
- effect
- toxicity
- dose
- chemicals
- transcriptome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于剂量‑效应简化转录组预测化学品胚胎发育毒性的计算方法,属于预测毒理学领域。本发明通过系统地整合高通量测试数据进行打分计算,来预测化学品胚胎毒性,并识别化学品的关键毒性机制。本发明的计算方法以关键事件(KE)间相关证据为依据,利用剂量‑效应简化转录组等高通量分子测试数据对斑马鱼发育相关的有害结局路径(AOP)进行激活打分计算。本发明比传统的胚胎发育毒性测试更加高效、更加敏感,实现了高效的基于化学品致毒机制的毒性预测,可以通过低剂量化学品对早期胚胎转录水平的影响来预测更长生命阶段的发育毒性效应,识别化学品的致毒机制,区分不同致毒模式的化学品。
Description
技术领域
本发明属于预测毒理学领域,具体涉及一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法。
背景技术
化学品风险管理亟需基于致毒机制,通过系统地整合高通量测试数据,对化学品毒性进行准确预测的方法。全球化学品种类繁多,且新型化学品数目增长迅速,低效率的传统体内毒性测试方法远无法满足当前化学品测试的需求,大量化学品缺乏毒性数据。为了解决化学品管理的这一难题,近年来替代测试方法快速发展,如体外测试、组学能够提供丰富的化学品致毒的分子机制信息。美国环保署(US EPA)开展了Toxcast毒理学预测研究项目,目前已对一万多种化学品完成了高通量、标准的体外的靶向测试,用于基于剂量-效应关系的化学品的毒性预测和风险预筛。组学测试技术能够全面、敏感、快速地评估分子致毒机制,但受限于成本高昂,难以实现多浓度的化学品测试。简化转录组测试技术,针对少量的关键基因的转录表达水平,能够实现基于剂量-效应的高通量转录组测试5-6。然而,面对海量的化学品分子测试数据,如何实现毒性预测是我们当前面临一个新问题。
预测毒理学是通过研究和构建化学物质对生物体的分子毒性机制和有害结局(如个体毒性终点:死亡、致畸等)间的关系,实现通过早期分子响应去预测具有同样分子致毒机制的化学物质的有害结局。
有害结局路径(AOP)是支撑预测毒理学的一种重要理论框架,以从分子起始事件(MIE),关键事件(KE)到个体有害结局(AO)逻辑关系为框架,为利用前端的关键事件预测有害结局提供了一种简化的思路,被越来越多地用于整合各水平的毒性测试进行毒性预测。基于AOP进行毒性预测关键是找到与AO相关且可信度高的,可以进行剂量-效应研究的KE,对AO进行有效预测。然而,目前基于AOP的化学品毒性预测研究,主要基于体外生物测试结果(如细胞活性测试,报告基因测试等),难以反映完整机体的毒性效应。
基于AOP预测化学品对斑马鱼发育毒性的研究也仍处于探索阶段。化学品的胚胎发育毒性是表征化学品毒性的重要指标,一直都备受关注。斑马鱼胚胎毒性测试作为一种高效的体内替代测试方法被广泛应用于化学品胚胎毒性评估。斑马鱼简化转录组测试技术(RZT),能够针对少量1627个斑马鱼关键基因实现高通量转录组测试,获得基于剂量-效应的生物学通路起始效应浓度(POD),用于化学品的生物毒性效力评估。生物学通路描述了化学品与生物体内的生物分子发生一系列的生化反应,完成的某一具体的生物学过程,可以全面系统地反映化学品的致毒机制。然而,如何基于剂量-效应的生物学通路响应,实现对化学品斑马鱼胚胎发育毒性效应的预测,是当前预测毒理学的研究空白。
如何整合已有的高通量分子测试数据,建立系统的计算方法,实现对化学品毒性的准确预测是当前化学品管理面临一个新问题。
发明内容
1.要解决的问题
针对于现有技术中的化学品毒性预测存在的预测准确度不高、无法区分不同致毒模式化学品的问题,本研究旨在建立一种整合高通量测试数据对斑马鱼发育相关AOP打分的方法,不仅能够实现准确预测化学品对斑马鱼的胚胎发育毒性效应,还能够区分不同作用模式的化学品,从而识别化学品关键的致毒机制。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明提供了一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,包括以下步骤:
1)利用ToxPi软件计算化学品的畸形指数:对化学品暴露导致的斑马鱼表观畸形指标的最大无效应浓度值NOEC标准转化后计算畸形指数;
2)利用高通量的剂量-效应的转录水平响应测试,获得生物学通路起始效应浓度;
3)从数据库中筛选出与斑马鱼发育畸形相关的有害结局路径,结合有害结局路径中分子起始事件对应的靶向高通量体外测试的结果以及文献搜集的测试结果,构建分子起始事件激活打分算法,进行分子起始事件激活打分;
4)在步骤3)中所述的分子起始事件激活打分的基础上,构建有害结局路径激活打分算法,评估化学品对有害结局路径的影响。
作为本发明更进一步改进,所述步骤4)中所述有害结局路径激活打分算法按照公式1计算:
式中,ScoreAOP为有害结局路径的计算得分,通路POD为步骤2)中的所述生物学通路起始效应浓度,M为步骤1)NOEC中不导致任何表观畸形和死亡的最高浓度;C为响应关键事件与有害结局之间的证据相关系数,所述B按照公式2计算;
B=C1·C2…·Cn公式2;
式中:C1、C2、…Cn分别为从响应关键事件与有害结局的响应关键事件,当响应关键事件间相关性证据为高时,C=1;当响应关键事件间相关性证据为中时,C=2/3;当响应关键事件间相关性证据为低时,C=1/3。
AOP中两KE间的相关证据判断标准如表1所示。
表1 AOP中两KE间的相关证据
作为本发明更进一步的改进,所述步骤1)中,利用ToxPi软件对所述的NOEC进行-log(x)+log(max(x))转化标准值,给每种指标赋予相等权重后计算畸形指数,得出ToxPi图中每个扇形切片距圆心的距离,表示每种畸形最大无效应浓度的标准化值,弧度表示该组分占所有数据的比重。
作为本发明更进一步的改进,步骤2)中具体为:根据剂量-效应简化转录组(简称RZT)数据计算差异表达基因的毒性起始浓度,并将差异表达基因比对到生物学通路数据库,得到包含不少于3个差异表达基因的通路,进而得到生物学通路起始效应浓度。
作为本发明更进一步的改进,所述的生物学通路数据库包括Gene Ontology数据库。
作为本发明更进一步的改进,所述步骤3)中,根据有害结局路径的物种类型、生命阶段和有害结局对AOPwiki数据库进行筛选,找到与斑马鱼发育畸形相关的有害结局路径,选择其中发展比较完善且受到比较广泛认可的4条AOP作为计算预测的框架,所述的4条AOP为AOP:12、AOP:21、AOP:43、AOP:150。
作为本发明更进一步的改进,所述步骤3)中,以化学品暴露是否会激活一系列分子起始事件为依据构建激活打分框架,所述分子起始事件包括NMDAR拮抗结合、VEGFR2受体抑制和AhR激活。
整理关联所述4条AOP的MIE对应的Toxcast靶向高通量体外的测试,如表2所示。
表2 AOP中MIE及对应Toxcast靶向高通量测试
AOP中KE对应的生物学通路见表3。
表3 AOP中KE对应的生物学通路
根据分子起始事件与Toxcast测试的关联判断化学品暴露是否会激活对4条AOP中的分子起始事件(NMDAR拮抗结合、VEGFR2受体抑制、AhR激活)。同时检索文献搜集化学品对斑马鱼的VEGFR2、AhR、NMDAR产生的效应,作为判断分子起始事件激活情况的另一个重要参考指标,用于所述分子起始事件激活打分,所述激活打分算法的公式如图1所示,式中,Toxcast测试为靶向高通量测试,如测试结果为有活性,得分值为0.5,无活性则得分值为0,未测试则得分值为0.1;Zebrafish测试为文献中化学品对斑马鱼的VEGFR2、AhR、NMDAR产生的效应的测试,如测试结果为有活性,得分值为0.8,无活性则得分值为0,未测试则得分值为0.2。
所述步骤4)中,根据关键事件(KE)与GO生物学通路的关联,利用剂量-效应RZT富集到的GO通路比对AOP中关键事件来确定响应关键事件,利用每条AOP中离AO距离最近的响应关键事件进行AOP激活打分计算。
3.有益效果
相比于现有技术,本发明的有益效果为:
(1)本发明的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,基于响应关键事件与有害结局的证据相关性建立了AOP激活打分算法,利用剂量-效应简化转录组(RZT)的生物学通路POD对AOP打分,识别导致胚胎发育毒性化学品激活的AOP通路,并将这些化学品与不导致显著胚胎发育毒性的化学品区分开。因此,本发明的方法可以预测斑马鱼胚胎发育的有害结局,并捕捉化学品的毒性机制信息,打分算法可以有效提高化学品的致毒模式的区分度。
(2)本发明的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,将利用剂量-效应简化转录组测试分析获得的生物学通路响应(通路POD)应用于系统的AOP激活打分计算,对化学品胚胎发育毒性效应展现了较好的预测效果,准确度高,因此利用本发明的方法不仅可以较为准确判断化学品是否导致发育畸形效应,同时本发明的方法还可以识别多种化学品的关键致毒机制,并实现化学品不同致毒模式的区分。
(3)本发明的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,相比于传统的胚胎发育毒性测试更加敏感,可以通过微量化学品对早期胚胎转录水平的影响预测更长生命阶段的发育毒性效应。
附图说明
图1为本发明的分子起始事件激活打分公式;
图2本发明的整合高通量测试数据对斑马鱼发育相关AOP打分的方法技术路线图;
图3为发展较为完善的与斑马鱼发育相关的AOP;
图4为化学品激活AOP打分结果主成分分析,其中,(A)为利用Toxcast靶向测试数据打分,(B)为利用KE对应RZT通路的POD打分,圆圈内为非导致显著畸形的化学品种类,其余为导致斑马鱼发育畸形的化学品,矩形框内展示了作用模式相似的化学品种类;
图5为基于化学品激活AOP打分结果分析得到的化学品畸形指数图。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
本实施例提供了一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,图2展示了整合高通量测试数据对斑马鱼发育相关AOP打分的方法技术路线图,具体方法步骤如下:
1)选取11种被广泛应用且致毒机制各异的典型环境污染化学品,将其分别配制化学品暴露液,从化学品不导致表观畸形和死亡的最高浓度进行10倍逐级稀释,得到6~7个浓度组,并设置空白溶剂对照,每个浓度组暴露20只6hpf(受精后小时)的斑马鱼胚胎,32hpf时提取其RNA并进行剂量-效应的RZT测试。
2)根据测试结果,分析得到差异表达基因(DEGs),将所述的差异表达基因与基因本体(Gene Ontology,GO)生物学通路数据库比对,计算包含到不少于3个DEGs的生物学通路的毒性起始浓度(POD)。
3)根据AOP的物种类型、生命阶段和有害结局对AOPwiki数据库进行筛选,找到与斑马鱼发育畸形相关的AOP,选择其中发展比较完善且受到比较广泛认可的4条AOP作为计算预测的框架,图3为发展较为完善的与斑马鱼发育相关的AOP。
4)整理关联4条AOP的MIE对应的Toxcast靶向高通量体外的测试,如表2所示。MIE、KE发生的过程和组织水平,以及对应基因本体(GO)生物学通路如表3所示。
5)根据步骤4)中MIE与Toxcast测试的关联判断化学品暴露是否会激活对4条AOP中的MIE中的NMDAR拮抗结合、VEGFR2受体抑制、AhR激活事件作为判断分子起始事件(MIE)激活情况的重要参考指标;同时检索文献搜集化学品对斑马鱼的VEGFR2、AhR、NMDAR产生的效应,作为判断分子起始事件(MIE)激活情况的另一个重要参考指标,上述用于分子起始事件(MIE)的激活打分,所述激活打分依据公式如图1。
6)在步骤5)MIE激活分析的基础上建立基于KE与AO的证据的AOP激活打分算法。AOP打分算法由响应KE与AO的相关系数、响应KE对应的通路POD的标准值、不导致任何表观畸形和死亡效应的最高浓度M,三部分组成,本发明根据KE与GO生物学通路的关联,利用剂量-效应RZT富集到的GO通路比对AOP中关键事件,来确定响应KE,利用每条AOP中离AO距离最近的响应KE进行AOP激活打分计算。
相关系数B代表响应KE与AO的相关性高低,通路POD可以反映响应KE的敏感度。具体打分算法按照公式1计算:
式中,ScoreAOP为有害结局路径的计算得分,通路POD为步骤2)中的所述获得生物学通路起始效应浓度,M为步骤1)中不导致任何表观畸形和死亡效应的最高浓度;C为响应关键事件与有害结局之间的证据相关系数,所述B按照公式2计算;
B=C1·C2…·Cn公式2;
式中:C1、C2、…Cn分别为从响应关键事件与有害结局的响应关键事件,当响应关键事件间相关性证据为高时,C=1;当响应关键事件间相关性证据为中时,C=2/3;当响应关键事件间相关性证据为低时,C=1/3。
目前AOP-wiki数据库中上下游KE间的相互证据定义有高、中、低三种,反映上游与下游关键事件的相关性大小,本文研究的斑马鱼发育相关的AOP中KE间相关证据的高、中、低的判定规则如表1所示。
在MIE靶向测试数据打分的基础上,利用剂量-效应RZT分析获得的通路POD来评估AOP中的KE的响应,并进行AOP激活打分,本发明的方法基于化学品激活的AOP和对斑马鱼发育毒性的预测结果见表4,结果显示可以准确预测10种(准确度90.9%)化学品的胚胎发育畸形效应。
表4化学品斑马鱼发育毒性RZT预测结果
注:AOP:43干扰VEGFR信号,导致发育缺陷;AOP:21AhR受体激活,通过增加COX-2导致生命早期死亡;AOP:150AhR受体激活,通过降低VEGF导致早期死亡。
从表4可以看出TDCPP、TPHP、BPA、CPF、DZN、CBR和FPN这7种化学品的打分结果均显示它们激活了导致斑马鱼发育有害结局的AOP,TCZ、DEHP、TCZ、PFOA均未激活斑马鱼发育相关的AOP,除PFOA以外的TCZ、DEHP、TCZ在0-5dpf斑马鱼表观毒性实验中未导致显著的致畸效应,PFOA在实际实验的中只显示了轻微程度的发育畸形。因此,利用本发明的方法可以较为准确判断化学品是否导致显著的发育畸形效应。
表5化学品对斑马鱼的心脏发育毒性
图4为化学品激活AOP打分结果主成分分析,其中,(A)为利用Toxcast靶向测试数据打分,(B)为利用KE对应RZT通路的POD打分,圆圈内为非导致显著畸形的化学品,其余为导致斑马鱼发育畸形的化学品,矩形框内的化学品作用模式相似。
根据图4可知,图4(B)展示了利用AOP打分算法对化学品的致毒模式的区分度。本发明的方法可以识别导致胚胎发育毒性化学品激活的AOP通路,并将这些化学品与不导致显著胚胎发育毒性的化学品区分开。
本发明基于响应KE与AO间证据相关性的AOP打分算法可以用于区分不同MOA的化学品,也为识别新型化学品的致毒机制提供了一种新的参考方法。
结果显示,有机磷化合物CPF、DZN、TPHP、TDCPP和氨基甲酸酯农药CBR的毒性作用模式类似,都可以作用于乙酰胆碱酯酶(AChE)并对斑马鱼产生不良影响,这5种作用模式类似的化学品的打分结果接近,都干扰了AOP:150和AOP:21,并可以与我们研究的其他作用模式的化合物区分开,如图4所示。
本发明基于AOP打分的方法能够识别通过激活AhR干扰心血管系统发育和功能,并最终导致斑马鱼死亡和发育畸形的化学品。打分预测结果显示TDCPP、TPHP、BPA、CPF、DZN、CBR这6种化学品都影响了AOP:150和AOP:21。这两条AOP阐释了AhR受体激活会通过损害心脏结构和功能导致胚胎死亡和畸形。
从表5可以看出,尽管以上6种化学品致毒模式各异的化学品都会对斑马鱼心脏发育产生心包囊肿、心率降低等的不良影响,并导致斑马鱼发育畸形和死亡。
打分计算结果显示FPN激活了AOP:43(干扰VEGFR信号,导致发育缺陷),VEGFR2抑制引起血管生成减少和内皮细胞网络损伤,包括改变内皮尖端细胞和内皮茎细胞的细胞增殖、凋亡和细胞迁移、探索等行为,随后导致血管功能缺陷,最终导致发育缺陷这一有害结局,这与斑马鱼发育表观毒性实验的心脏畸形等结果一致。图5为基于化学品激活AOP打分结果分析得到的化学品畸形指数图。
Claims (8)
1.一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:包括以下步骤:
1)利用化学品安全性评估软件计算化学品的畸形指数:对化学品暴露导致的斑马鱼表观畸形的最大无效应浓度值NOEC标准转化后计算畸形指数;
2)利用高通量的剂量-效应的转录水平响应测试,获得生物学通路起始效应浓度;
3)从数据库中筛选出与斑马鱼发育畸形相关的有害结局路径,结合有害结局路径中分子起始事件对应的靶向高通量体外测试的结果以及文献搜集的测试结果,构建激活打分算法,进行分子起始事件激活打分;
4)在步骤3)中所述的分子起始事件激活打分的基础上,构建有害结局路径激活打分算法,评估化学品对有害结局路径的影响,所述有害结局路径激活打分算法按照公式1计算:
式中,ScoreAOP为有害结局路径的计算得分,通路POD为步骤2)中的所述生物学通路起始效应浓度,M为步骤1)NOEC中不导致任何表观畸形和死亡效应的最高浓度;B为响应关键事件与有害结局之间的证据相关系数,所述B按照公式2计算;
B=C1·C2…·Cn 公式2;
式中:C1、C2、…Cn分别为从响应关键事件与有害结局的响应关键事件,当响应关键事件间相关性证据为高时,C=1;当响应关键事件间相关性证据为中时,C=2/3;当响应关键事件间相关性证据为低时,C=1/3。
2.根据权利要求1所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:所述步骤3)中筛选过程为:根据有害结局路径的物种类型、生命阶段和有害结局对AOPwiki数据库进行筛选,找到与斑马鱼发育畸形相关的有害结局路径。
3.根据权利要求2所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:步骤2)中具体为:根据剂量-效应简化转录组数据计算差异表达基因的毒性起始浓度,并将差异表达基因比对到生物学通路数据库,得到包含不少于3个差异表达基因的通路,进而得到生物学通路起始效应浓度。
4.根据权利要求3所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:所述的生物学通路数据库包括Gene Ontology数据库。
5.根据权利要求4所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:所述步骤1)中,利用ToxPi软件对所述的NOEC进行转化标准值,给每种指标赋予相等权重后计算畸形指数。
6.根据权利要求1所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:所述步骤3)中,与斑马鱼发育畸形相关的有害结局路径包括序列号为AOP:12、AOP:21、AOP:43、AOP:150的4条路径。
7.根据权利要求6所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:所述步骤3)中,以化学品暴露是否会激活一系列分子起始事件为依据构建激活打分框架,所述分子起始事件包括NMDAR拮抗结合、VEGFR2受体抑制和AhR激活。
8.根据权利要求7所述的基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法,其特征在于:根据步骤3)中分子起始事件与靶向高通量测试的关联,同时根据文献搜集的化学品对斑马鱼的VEGFR2、AhR、NMDAR产生的效应,构建分子起始事件激活打分框架,判断化学品暴露是否会激活分子起始事件,所述激活打分算法按照公式3:
Score=Toxcast测试得分值+Zebrafish测试得分值 公式3;
式中,Toxcast测试为靶向高通量测试,如测试结果为有活性,得分值为0.5,无活性则得分值为0,未测试则得分值为0.1;Zebrafish测试为文献中化学品对斑马鱼的VEGFR2、AhR、NMDAR产生的效应的测试,如测试结果为有活性,得分值为0.8,无活性则得分值为0,未测试则得分值为0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788995.5A CN110415770B (zh) | 2019-08-26 | 2019-08-26 | 一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788995.5A CN110415770B (zh) | 2019-08-26 | 2019-08-26 | 一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415770A CN110415770A (zh) | 2019-11-05 |
CN110415770B true CN110415770B (zh) | 2022-05-17 |
Family
ID=68369016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910788995.5A Active CN110415770B (zh) | 2019-08-26 | 2019-08-26 | 一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415770B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392636B (zh) * | 2021-05-28 | 2022-06-14 | 暨南大学 | 一种生态风险评价文献中毒理学术语的文本挖掘方法 |
CN113409899B (zh) * | 2021-06-18 | 2024-02-09 | 南京大学 | 一种基于作用模式的人类发育毒性预测的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259325A (zh) * | 2015-11-13 | 2016-01-20 | 南京大学 | 一种污水生物毒性在线监测预警装置 |
CN106282359A (zh) * | 2016-08-31 | 2017-01-04 | 中国科学院重庆绿色智能技术研究院 | 一种利用整体原位杂交技术检测环境污染物发育毒性的方法 |
CN108048550A (zh) * | 2017-12-08 | 2018-05-18 | 南京医科大学 | 一种环境化学物心肌发育毒性评价技术方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7108970B2 (en) * | 2000-01-07 | 2006-09-19 | Transform Pharmaceuticals, Inc. | Rapid identification of conditions, compounds, or compositions that inhibit, prevent, induce, modify, or reverse transitions of physical state |
CN102507630B (zh) * | 2011-11-30 | 2013-05-08 | 大连理工大学 | 一种基于分子结构和环境温度预测化学物质与臭氧氧化反应速率常数的方法 |
WO2017164936A1 (en) * | 2016-03-21 | 2017-09-28 | The Broad Institute, Inc. | Methods for determining spatial and temporal gene expression dynamics in single cells |
CN109900884A (zh) * | 2017-12-08 | 2019-06-18 | 中国科学院大连化学物理研究所 | 一种基于代谢组学的短链氯化石蜡斑马鱼胚胎毒性效应的研究方法 |
WO2019118900A1 (en) * | 2017-12-14 | 2019-06-20 | California Institute Of Technology | Systems and methods for predicting and interpreting comprehensive molecular isotopic structures and uses thereof |
CN109360610B (zh) * | 2018-11-26 | 2019-11-15 | 西南石油大学 | 一种基于模糊神经网络的化学分子生物毒性预测模型的方法 |
-
2019
- 2019-08-26 CN CN201910788995.5A patent/CN110415770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259325A (zh) * | 2015-11-13 | 2016-01-20 | 南京大学 | 一种污水生物毒性在线监测预警装置 |
CN106282359A (zh) * | 2016-08-31 | 2017-01-04 | 中国科学院重庆绿色智能技术研究院 | 一种利用整体原位杂交技术检测环境污染物发育毒性的方法 |
CN108048550A (zh) * | 2017-12-08 | 2018-05-18 | 南京医科大学 | 一种环境化学物心肌发育毒性评价技术方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110415770A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pikula et al. | White-nose syndrome pathology grading in Nearctic and Palearctic bats | |
CN110415770B (zh) | 一种基于剂量-效应简化转录组的预测化学品胚胎发育毒性的方法 | |
Kettle et al. | Determinants of fine-scale spatial genetic structure in three co-occurring rain forest canopy trees in Borneo | |
Hermsen et al. | Chemical class-specific gene expression changes in the zebrafish embryo after exposure to glycol ether alkoxy acids and 1, 2, 4-triazole antifungals | |
KR20180086438A (ko) | 다양한 화학 구조를 가지는 생체이물질의 세포 유형 특이적 독성을 예측하기 위한 고처리량 영상화 기반 방법 | |
CN111653314B (zh) | 一种分析识别淋巴管浸润的方法 | |
CN110349633B (zh) | 一种基于辐射响应生物学通路筛选辐射生物标志物及预测辐射剂量的方法 | |
CN104915563B (zh) | 基于金属定量构效关系的淡水慢性基准预测方法 | |
Rakotonirina et al. | Wolbachia detection in Aedes aegypti using MALDI-TOF MS coupled to artificial intelligence | |
Sire et al. | Climate-induced forest dieback drives compositional changes in insect communities that are more pronounced for rare species | |
Äijö et al. | Splotch: robust estimation of aligned spatial temporal gene expression data | |
Richards et al. | Shedding light on chemically mediated tri-trophic interactions: a 1H-NMR network approach to identify compound structural features and associated biological activity | |
Wu et al. | Construction of novel gene signature-based predictive model for the diagnosis of acute myocardial infarction by combining random forest with artificial neural network | |
Guénette et al. | Do empirical thresholds truly reflect species tolerance to habitat alteration? | |
Rivera-Pérez et al. | Effect of mining on the EPT (Ephemeroptera, Plecoptera and Trichoptera) assemblage of Amazonian streams based on their environmental specificity | |
KR20160088663A (ko) | 질병 관련 유전자 탐색 장치 및 그 방법 | |
CN109545289A (zh) | 一种基于分级警示结构高通量筛查内分泌干扰物的方法 | |
Jalali-Heravi et al. | Classification of anti-HIV compounds using counterpropagation artificial neural networks and decision trees | |
Flint et al. | The saturated pairwise interaction Gibbs point process as a joint species distribution model | |
Zhang et al. | Dose-dependent transcriptomic approach for mechanistic screening in chemical risk assessment | |
Amey et al. | Range extension and genetic structure of the narrowly-restricted slider skink, Lerista rochfordensis Amey and Couper, 2009 (Reptilia: Scincidae). | |
Sandström | Bibliometric evaluation of research programs: A study of scientific quality | |
CN117789828B (zh) | 基于单细胞测序及深度学习技术的抗衰老靶点检测系统 | |
Wen et al. | Bfimpute: A Bayesian factorization method to recover single-cell RNA sequencing data | |
CN114486780B (zh) | 自然环境水体中有机磷农药含量快速检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |