子どもたちの未来を支える機械学習: 定量的構造活性相関 (QSAR) による有機ハロゲン化合物の母子間移行率予測
•
6 gostaram•8,118 visualizações
第50回 データマイニング+WEB＠東京 ー機械学習 実活用 祭りーでの発表資料です
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Mais de Akifumi Eguchi
Mais de Akifumi Eguchi (19)
子どもたちの未来を支える機械学習: 定量的構造活性相関 (QSAR) による有機ハロゲン化合物の母子間移行率予測
- 1. 子どもたちの未来を支える機械学習 定量的構造活性相関による有機ハロゲン化合物の母子間移行率予測 第50回 データマイニング+WEB＠東京 ー機械学習 実活用 祭りー 1/16@フリークアウト様 @siero53351 OpenStax College -‐ Anatomy & Physiology, Connexions Web site. h;p:// cnx.org/content/col11496/1.6/, Jun 19, 2013. CC BY 3.0, File:2910 The Placenta-‐02.jpg
- 2. 自己紹介 Twitter ID: @siero5335 仕事: 化学物質曝露影響の解析 化学分析法の開発 専門: 環境化学、分析化学 興味: 生理活性物質の一斉分析 hoxo-m 2
- 5. 今日紹介させていただく論文 5 h;p://link.springer.com/arOcle/10.1007%2Fs11356-‐015-‐5436-‐0 PCBs: (Polychlorinated biphenyls, ポリ塩化ビフェニル) OCPs: (Organohalogen pesticides, 有機塩素系農薬) PBDEs: (Polybrominated diphenyl ether, ポリ臭化ジフェニルエーテル)
- 7. 胎児への影響 Environmental exposure to polychlorinated biphenyls and quality of the home environment: effects on psychodevelopment in early childhood Intellectual Impairment in Children Exposed to Polychlorinated Biphenyls in Utero 日本でも環境要因が子供の成長に与える影響の 解明を目的とした大規模疫学調査がスタート とは言え化学物質測定するのも難しい IQ下がる→人類全体の平均知能が落ちて損失 7
- 11. 目的 1. 有機ハロゲン化合物各種の母子間移行率を 定量的構造活性相関 (QSAR) により予測し、 2. 予測モデル内において重要な変数を抽出することで、 母子間移行率に関連する分子情報を特定する 11
- 14. 定量的構造活性相関 (QSAR) 定量的構造活性相関(ていりょうてきこうぞうかっせいそうかん)は化学 物質の構造と物理学的な挙動・性質との間になりたつ量的関係のこと。 これにより構造的に類似した化合物の動態・性質について予測すること を目的とする。英語ではQSAR(=Quantitative Structure-Activity Relationship) 化合物の疎水性、対象とする化合物の構造を表現する数量（幾何学的構 造を表す記述子、フロンティア軌道理論に基づくエネルギー（最高被占 軌道: HOMO, 最低空軌道: LUMO）、電気陰性度といった電子的記述 子など）を抽出し、構造的に類似する一連の物質に関してこれら数量と 動態との関係を検討する。 h;p://ja.wikipedia.org/wiki/%E5%AE%9A%E9%87%8F%E7%9A%84%E6%A7%8B %E9%80%A0%E6%B4%BB%E6%80%A7%E7%9B%B8%E9%96%A2 14
- 15. 定量的構造活性相関 (QSAR) 定量的構造活性相関(ていりょうてきこうぞうかっせいそうかん)は化学 物質の構造と物理学的な挙動・性質との間になりたつ量的関係のこと。 これにより構造的に類似した化合物の動態・性質について予測すること を目的とする。英語ではQSAR(=Quantitative Structure-Activity Relationship) 化合物の疎水性、対象とする化合物の構造を表現する数量（幾何学的構 造を表す記述子、フロンティア軌道理論に基づくエネルギー（最高被占 軌道: HOMO, 最低空軌道: LUMO）、電気陰性度といった電子的記述 子など）を抽出し、構造的に類似する一連の物質に関してこれら数量と 動態との関係を検討する。 今回の研究ではPCBs, ダイオキシンなどの化学物質の構造と母子間移 行率の関係を解析することで、移行しやすい物質を特定したり、その構 造の特徴を捉えることが目的となる。 h;p://ja.wikipedia.org/wiki/%E5%AE%9A%E9%87%8F%E7%9A%84%E6%A7%8B %E9%80%A0%E6%B4%BB%E6%80%A7%E7%9B%B8%E9%96%A2 15
- 16. 血液脳関門 SchemaOc sketch showing the blood-‐brain barrier. From the brain down to the Oght juncOons. © von Kuebi = Armin Kübelbeck, and for the brain: Patrick J. Lynch [CC-‐BY-‐3.0 (h;p://creaOvecommons.org/licenses/by/3.0)], via Wikimedia Commons 化学物質が血液から脳に直接運ばれないようにするための機構が存在 16
- 17. 血液脳関門 SchemaOc sketch showing the blood-‐brain barrier. From the brain down to the Oght juncOons. © von Kuebi = Armin Kübelbeck, and for the brain: Patrick J. Lynch [CC-‐BY-‐3.0 (h;p://creaOvecommons.org/licenses/by/3.0)], via Wikimedia Commons うつ病の薬・脳への悪影響への考慮などから移行率に関する研究が進んでいる 17
- 18. 血液胎盤関門 OpenStax College -‐ Anatomy & Physiology, Connexions Web site. h;p://cnx.org/content/col11496/1.6/, Jun 19, 2013. CC BY 3.0, File:2910 The Placenta-‐02.jpg 胎盤にも同様の機構が存在することは知られているが、 血液脳関門に比べると研究の数が少なくマイナー 18
- 19. 文献数の違い Web of Science (Thomson Reuters社文献検索システム) 1月8日調べ Blood brain barrier (血液脳関門): 約39000件 Blood placental barrier (血液胎盤関門): 約 560件 19
- 20. 血液胎盤関門 OpenStax College -‐ Anatomy & Physiology, Connexions Web site. h;p://cnx.org/content/col11496/1.6/, Jun 19, 2013. CC BY 3.0, File:2910 The Placenta-‐02.jpg 汚染物質は児の発達に影響すると言われているが、移行しやすい物質は不明 移行率に関わる因子としては分子量くらいしかよく知られた指標がない 20
- 21. 定量的構造物性相関 (QSPR) 定量的構造物性相関(ていりょうてきこうぞうかっせいそうかん)は化学 物質の構造と物理学的な挙動・性質との間になりたつ量的関係のこと。 これにより構造的に類似した化合物の動態・性質について予測すること を目的とする。英語ではQSPR(=Quantitative Structure- Property Relationship) 化合物の疎水性、対象とする化合物の構造を表現する数量（幾何学的構 造を表す記述子、フロンティア軌道理論に基づくエネルギー（最高被占 軌道: HOMO, 最低空軌道: LUMO）、電気陰性度といった電子的記述 子など）を抽出し、構造的に類似する一連の物質に関してこれら数量と 動態との関係を検討する。 今回の研究ではPCBs, ダイオキシンなどの化学物質の構造と母子間移 行率の関係を解析することで、移行しやすい物質を特定したり、その構 造の特徴を捉えることが目的となる。 h;p://ja.wikipedia.org/wiki/%E5%AE%9A%E9%87%8F%E7%9A%84%E6%A7%8B %E9%80%A0%E6%B4%BB%E6%80%A7%E7%9B%B8%E9%96%A2 21
- 22. 試料と方法 22
- 23. 測定対象物質 ポリ塩化ビフェニル（PCBs） カネミ油症事件 ポリ臭化ビフェニルエーテル(PBDEs) 難燃剤として電化製品等に添加 ダイオキシン （枯葉剤の不純物・焼却炉で生成） ヘキサクロロ ベンゼン （殺菌剤） ヘキサクロロ シクロヘキサン （殺虫剤） トランスノナクロル （殺虫剤） ヘプタクロル エポキシド （殺虫剤） 23
- 24. 測定検体 PCBs, 有機塩素系農薬: 29 pairs Dioxins, dioxin-like PCBs: 41 pairs PBDEs: 9 pairs 高分解能ガスクロマトグラフ質量分析計により 母体血・臍帯血中の上記汚染物質を定量 24
- 26. 半経験的分子軌道法による分子状態の計算 半経験的分子軌道法 機械学習で言うところのsemi-supervised learning 実験値など、既知の値を使って構造を最適化する MOPAC2009のParameterized Model number 6（既知パラメータが9000種類程度入っている）で構造最 適化後、11種類の分子情報を取得 26
- 27. 半経験的分子軌道法による分子状態の計算 半経験的分子軌道法 機械学習で言うところのsemi-supervised learning 実験値など、既知の値を使って構造を最適化する MOPAC2009のParameterized Model number 6（既知パラメータが9000種類程度入っている）で構造最 適化後、11種類の分子情報を取得 分子量・生成熱・全エネルギー・電子エネルギー・全核間 反発エネルギー・最高被占軌道, 最低空軌道のエネルギーお よびその差分・双極子モーメント・部分電荷の最大最小値 27
- 28. 半経験的分子軌道法による分子状態の計算 半経験的分子軌道法 機械学習で言うところのsemi-supervised learning 実験値など、既知の値を使って構造を最適化する MOPAC2009のParameterized Model number 6（既知パラメータが9000種類程度入っている）で構造最 適化後、11種類の分子情報を取得 分子量・結合エネルギー・反応性・電荷の偏り 28
- 29. EPI Suiteによる分子情報の取得 アメリカ合衆国環境保護庁 (EPA) が開発したソフトウェア 化学構造から物性を算出する（親水性、生物濃縮性など） 正式名称はThe EsOmaOons Programs Interface for Windows 下記URLから入手可能 h;p://www.epa.gov/tsca-‐screening-‐tools/epi-‐suitetm-‐ esOmaOon-‐program-‐interface 6種類の分子情報を取得 LogKow, LogKoA, Water solubility, LogBCF, LogBAF, Half life 29
- 30. EPI Suiteによる分子情報の取得 アメリカ合衆国環境保護庁 (EPA) が開発したソフトウェア 化学構造から物性を算出する（親水性、生物濃縮性など） 正式名称はThe EsOmaOons Programs Interface for Windows 下記URLから入手可能 h;p://www.epa.gov/tsca-‐screening-‐tools/epi-‐suitetm-‐ esOmaOon-‐program-‐interface 6種類の分子情報を取得 オクタノール/水分配係数、オクタノール/空気分配係数、 水溶性、生物濃縮性2種、生体内半減期 30
- 31. ダイオキシン毒性等価係数 (Toxic equivalency factor: TEF) 塩素のつき方・構造の違いにより 419種類の異性体が存在 うち毒性が強いものが17種類 丸のところに塩素が入ってると毒性が強い 塩素のつき方によって 209種類のPCBsが存在 平面性を持つPCBsはダイオキシン としての毒性が強い(12種類) Polychlorinated dibenzo-p-dioxins TCDD PeCDD 1,6-HxCDD 1,4-HxCDD 1,9-HxCDD 1,4,6-HpCDD OCDD 1 1 0.1 0.1 0.1 0.01 0.0003 Polychlorinated dibenzofurans TCDF 1-PeCDF 4-PeCDF 1,4-HxCDF 1,6-HxCDF 1,9-HxCDF 0.1 0.03 0.3 0.1 0.1 0.1 4,6-HxCDF 1,4,6-HpCDF 1,4,9-HpCDF OCDF 0.1 0.01 0.01 0.0003 Coplanar pcb PCB 77 PCB 81 PCB 105 PCB 114 PCB 118 PCB 123 0.0001 0.0003 0.00003 0.00003 0.00003 0.00003 PCB 126 PCB 156 PCB 157 PCB 167 PCB 169 PCB 189 0.1 0.00003 0.00003 0.00003 0.03 0.00003 31
- 33. データ解析 データ全体を訓練データと検証データに分割して 検証することで、未知データに対応可能か確認 データサイエンティスト養成読本R活用編 P45参照 データ 訓練 データ 検証 データ モデル構築 モデル検証 予測モデル 10 fold cross validaNon 33
- 34. • 訓練データ24物質: HCB, HCH, Heptachlor epoxide, 1.2.3.7.8.PeCDD, 1.2.3.6.7.8.HxCDD, 1.2.3.4.6.7.8.HpCDD, OCDD, 2.3.4.7.8.PeCDF, 1.2.3.4.6.7.8.HpCDF, CB77, CB126, CB169, CB114, CB118, CB123, CB156, CB157, CB167, TetraCB, PentaCB, HexaCB, OctaCB, BDE47, BDE153 • 検証データ7物質: Trans-‐nonachlor, 1.2.3.4.7.8.HxCDF, 1.2.3.6.7.8.HxCDF, CB105, CB189, HeptaCB, BDE100 訓練データ・検証データ分割 34
- 35. Transfer ratio Molecular weight TEF LogKow LogKoA Water solubility LogBCF LogBAF Half life Final heat of formation Total energy Electronic energy Core-Core repulsion EHomo ELumo q- q+ Ehomo-Elumo Total dipole -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 PC1 (33.7%) PC2 (17.1%) HCB HCH Trans-nonachlor Heptachlor epoxide 1.2.3.7.8.PeCDD 1.2.3.6.7.8.HxCDD 1.2.3.4.6.7.8.HpCDD OCDD 2.3.4.7.8.PeCDF 1.2.3.6.7.8.HxCDF 1.2.3.4.7.8.HxCDF 1.2.3.4.6.7.8.HpCDF CB77 CB126 CB169 CB105 CB114 CB118 CB123 CB156 CB157 CB167 CB189 TetraCB PentaCB HexaCB HeptaCB OctaCB BDE47 BDE100 BDE153 -8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4 6 t[1] 主成分分析によるデータの要約 横軸:分子量、反応性, 縦軸: 生物蓄積性、水溶性 PCBs dioxin-‐like PCBs PCDD/Fs OCPs PBDEs 35
- 36. Transfer ratio Molecular weight TEF LogKow LogKoA Water solubility LogBCF LogBAF Half life Final heat of formation Total energy Electronic energy Core-Core repulsion EHomo ELumo q- q+ Ehomo-Elumo Total dipole -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 PCBs dioxin-‐like PCBs PCDD/Fs OCPs PBDEs PC1 (33.7%) PC2 (17.1%) HCB HCH Trans-nonachlor Heptachlor epoxide 1.2.3.7.8.PeCDD 1.2.3.6.7.8.HxCDD 1.2.3.4.6.7.8.HpCDD OCDD 2.3.4.7.8.PeCDF 1.2.3.6.7.8.HxCDF 1.2.3.4.7.8.HxCDF 1.2.3.4.6.7.8.HpCDF CB77 CB126 CB169 CB105 CB114 CB118 CB123 CB156 CB157 CB167 CB189 TetraCB PentaCB HexaCB HeptaCB OctaCB BDE47 BDE100 BDE153 -8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4 6 t[1] 主成分分析によるデータの要約 PCBs, Dioxins, OCPsが分子情報により分類36
- 37. Molec ular weight TEF Log Kow Log KoA Water solubility Log BCF Log BAF Half life Final heat of formation Total energy Electronic energy Core- Core repulsion EHo mo ELu mo q- q+ Ehomo- Elumo Total dipole Molecular weight 1.00 TEF -0.08 1.00 LogKow 0.68 0.31 1.00 LogKoA 0.74 0.25 0.84 1.00 Water solubility -0.79 -0.27 -0.92 -0.91 1.00 LogBCF -0.55 -0.35 -0.77 -0.80 0.81 1.00 LogBAF -0.19 -0.26 -0.05 -0.02 0.24 0.52 1.00 Half life 0.03 -0.36 0.15 -0.02 0.07 0.26 0.85 1.00 Final heat of formation -0.17 -0.28 -0.23 -0.09 0.23 0.39 0.53 0.43 1.00 Total energy -0.71 -0.33 -0.71 -0.61 0.74 0.59 0.32 0.12 0.65 1.00 Electronic energy -0.74 -0.03 -0.59 -0.47 0.58 0.39 0.13 -0.03 0.43 0.79 1.00 Core-Core repulsion 0.82 0.14 0.68 0.62 -0.71 -0.54 -0.26 -0.03 -0.57 -0.95 -0.87 1.00 EHomo 0.09 0.49 0.24 0.34 -0.38 -0.32 -0.32 -0.41 0.05 -0.16 0.05 0.08 1.00 ELumo -0.33 -0.56 -0.77 -0.6 0.70 0.64 0.23 0.14 0.50 0.66 0.45 -0.54 -0.21 1.00 q- -0.53 -0.34 -0.34 -0.49 0.52 0.42 0.38 0.39 0.04 -0.43 0.32 -0.42 -0.45 0.211.00 q+ 0.54 -0.04 0.32 0.53 0.58 -0.45 -0.35 -0.34 -0.06 -0.4 -0.29 0.38 0.37 -0.17 -0.6 3 1.00 Ehomo- Elumo 0.39 0.53 0.83 0.67 -0.79 -0.7 -0.21 -0.10 -0.41 -0.69 -0.45 0.58 0.52 -0.87 -0.3 0 0.32 1.00 Total dipole -0.20 -0.05 -0.21 -0.30 0.31 0.34 0.46 0.48 0.41 0.22 0.03 -0.18 -0.19 0.300.06-0.20 -0.25 1.00 多重共線性の排除 相関の強い因子（太字: R > 0.7）を予測モデルの因子から排除37
- 39. データをtraining, testに分割し、training setを10-fold cross validationでチューニング チューニングしたモデルをtest setにあてはめ Random forestが良好な結果を示した。 予測値 実測値 訓練データ 検証データ Random forest R2 cv = 0.566 R2 pred = 0.519 線形重回帰モデル R2 cv = 0.425 R2 pred = 0.129 実測値と予測値の比較 39
- 40. Validation setでもrandom forestは良好な性能を示したし これでいいやろ？ →Reviewer 3: 駄目です 予測値 実測値 訓練データ 検証データ Random forest R2 cv = 0.566 R2 pred = 0.519 線形重回帰モデル R2 cv = 0.425 R2 pred = 0.129 実測値と予測値の比較 40
- 41. 実測値と予測値の比較2 Tropsha’s validaOon factorで評価するように Tropsha A (2010) Best pracOces for QSAR model development, validaOon, and exploitaOon. Mol Inf 29:476–488 Tropsha A, and Golbraikh A (2002) Beware of Q2. J Mol Graph Model 20.4: 269-‐276. Zhang SX, Golbraikh A, Oloff S, Kohn H, Tropsha A (2006) A novel automated lazy learning QSAR (ALL-‐QSAR) approach: method development, applicaOons, and virtual screening of chemical databases using validated ALL-‐QSAR models. J Chem Inf Model 46: 1984–1995 R 2 EXT = 1 − !!"#$!!!"# !! !!! !!"#$!!!" !! !!! , where!!!"!is!the!mean!over!all!!"#$%&'%(#!!"#$%&!!"!R 2 CV k = !!"# ! !!! ∗!!"#$ !!"#$ !! !!! R 2 0 = 1 − (!!"#$!!∗!!"#)!! !!! (!!"#$!!!"#)!! !!! , where !!"# is the mean over all predictive values by R 2 pred 41
- 42. 実測値と予測値の比較2 R2 pred = 0.519 R2 EXT = 0.508 R2 EXT-‐R2 0/R2 EXT = 0.0062 k = 1.033 Tropsha’s validaOon factorで評価するように Tropsha A (2010) Best pracOces for QSAR model development, validaOon, and exploitaOon. Mol Inf 29:476–488 Tropsha A, and Golbraikh A (2002) Beware of Q2. J Mol Graph Model 20.4: 269-‐276. Zhang SX, Golbraikh A, Oloff S, Kohn H, Tropsha A (2006) A novel automated lazy learning QSAR (ALL-‐QSAR) approach: method development, applicaOons, and virtual screening of chemical databases using validated ALL-‐QSAR models. J Chem Inf Model 46: 1984–1995 R 2 EXT = 1 − !!"#$!!!"# !! !!! !!"#$!!!" !! !!! , where!!!"!is!the!mean!over!all!!"#$%&'%(#!!"#$%&!!"!R 2 CV k = !!"# ! !!! ∗!!"#$ !!"#$ !! !!! R 2 0 = 1 − (!!"#$!!∗!!"#)!! !!! (!!"#$!!!"#)!! !!! , where !!"# is the mean over all predictive values by R 2 pred 42
- 43. 実測値と予測値の比較3 APD (applicaOon of domain)で評価するように APD (applicaOon of domain) =<d>+Zσ [Z: empirical cutoff value 0.5 <d>, σ 予測値と実測値のユークリッド距離の平均、分散 Zhang SX, Golbraikh A, Oloff S, Kohn H, Tropsha A (2006) A novel automated lazy learning QSAR (ALL-‐QSAR) approach: method development, applicaOons, and virtual screening of chemical databases using validated ALL-‐QSAR models. J Chem Inf Model 46: 1984–1995 Distance* (APD = 0.109) 1.2.3.4.7.8.HxCDF 0.139 1.2.3.6.7.8.HxCDF 0.120 CB105 0.106 CB189 0.0819 HeptaCB 0.102 BDE100 0.183 Trans-nonachlor 0.143 43
- 44. 実測値と予測値の比較3 必ずしもvalidaOon setへの当てはまりが良いわけではなかった… Zhang SX, Golbraikh A, Oloff S, Kohn H, Tropsha A (2006) A novel automated lazy learning QSAR (ALL-‐QSAR) approach: method development, applicaOons, and virtual screening of chemical databases using validated ALL-‐QSAR models. J Chem Inf Model 46: 1984–1995 44 APD (applicaOon of domain)で評価するように APD (applicaOon of domain) =<d>+Zσ [Z: empirical cutoff value 0.5 <d>, σ 予測値と実測値のユークリッド距離の平均、分散 Distance* (APD = 0.109) 1.2.3.4.7.8.HxCDF 0.139 1.2.3.6.7.8.HxCDF 0.120 CB105 0.106 CB189 0.0819 HeptaCB 0.102 BDE100 0.183 Trans-nonachlor 0.143
- 45. 実測値と予測値の比較3 Zhang SX, Golbraikh A, Oloff S, Kohn H, Tropsha A (2006) A novel automated lazy learning QSAR (ALL-‐QSAR) approach: method development, applicaOons, and virtual screening of chemical databases using validated ALL-‐QSAR models. J Chem Inf Model 46: 1984–1995 45 APD (applicaOon of domain)で評価するように APD (applicaOon of domain) =<d>+Zσ [Z: empirical cutoff value 0.5 <d>, σ 予測値と実測値のユークリッド距離の平均、分散 Distance* (APD = 0.109) 1.2.3.4.7.8.HxCDF 0.139 1.2.3.6.7.8.HxCDF 0.120 CB105 0.106 CB189 0.0819 HeptaCB 0.102 BDE100 0.183 Trans-nonachlor 0.143 必ずしもvalidaOon setへの当てはまりが良いわけではなかった… が、正直にそう書いたらその後修正は求められず
- 47. モデル中の変数重要度比較 RF MLR Variable importance t-value q- 100 LogBAF 7.912 Total dipole 72.48 TEF -6.032 HOMO 65.79 HOMO 5.683 Final heat of formation 56.84 Molecular weight -3.979 Ehomo-Elumo 53.34 q+ 2.027 q+ 48.28 LogBAF 42.33 LogBCF 39.23 TEF 22.47 Molecular weight 15.32 47
- 48. モデル中の変数重要度比較 過去の文献では分子量が重要と言われているが… RF MLR Variable importance t-value q- 100 LogBAF 7.912 Total dipole 72.48 TEF -6.032 HOMO 65.79 HOMO 5.683 Final heat of formation 56.84 Molecular weight -3.979 Ehomo-Elumo 53.34 q+ 2.027 q+ 48.28 LogBAF 42.33 LogBCF 39.23 TEF 22.47 Molecular weight 15.32 分子量 48
- 49. 過去の文献では分子量が重要と言われているが… 電荷の偏り、反応性が重要？ RF MLR Variable importance t-value q- 100 LogBAF 7.912 Total dipole 72.48 TEF -6.032 HOMO 65.79 HOMO 5.683 Final heat of formation 56.84 Molecular weight -3.979 Ehomo-Elumo 53.34 q+ 2.027 q+ 48.28 LogBAF 42.33 LogBCF 39.23 TEF 22.47 Molecular weight 15.32 モデル中の変数重要度比較 電荷の偏り 反応性 電荷の偏り 反応性 電荷の偏り エネルギー 49
- 50. ダイオキシンの毒性等量 (TEF) が移行率と関係 →胎盤で発現する薬物代謝酵素の影響？ RF MLR Variable importance t-value q- 100 LogBAF 7.912 Total dipole 72.48 TEF -6.032 HOMO 65.79 HOMO 5.683 Final heat of formation 56.84 Molecular weight -3.979 Ehomo-Elumo 53.34 q+ 2.027 q+ 48.28 LogBAF 42.33 LogBCF 39.23 TEF 22.47 Molecular weight 15.32 モデル中の変数重要度比較 ダイオキシン毒性等量 50
- 51. 既存研究では特徴量として余り注目されていなかった 因子が移行率に関係している可能性を示唆 RF MLR Variable importance t-value q- 100 LogBAF 7.912 Total dipole 72.48 TEF -6.032 HOMO 65.79 HOMO 5.683 Final heat of formation 56.84 Molecular weight -3.979 Ehomo-Elumo 53.34 q+ 2.027 q+ 48.28 LogBAF 42.33 LogBCF 39.23 TEF 22.47 Molecular weight 15.32 モデル中の変数重要度比較 ダイオキシン毒性等量 51