[線上研討會] 以大數據為基礎,評估毒化物的機制性交叉參照分析(Mechanistic Read-Across) (6/3,1:00AM)



分享給LINE好友!


更新日期:2020-06-02

       美國毒理學會(Society of Toxicology, SOT)將於台灣時間2020年6月3日凌晨1:00舉辦線上研討會「以大數據為基礎,評估毒化物的機制性交叉參照分析」(Mechanistic Read-Across of Chemical Toxicants Based on Big Data),欲參加者請至網站註冊。

       為促進化學物質安全性評估,美國於2016年通過Frank R. Lautenberg 21世紀化學品安全法案,是第一個推動使用新穎測試方法減少脊椎動物測試的法案。其任務核心是促進電腦預測毒理學(computational toxicology, in silico)與人工智慧(artificial intelligence, AI)方法來發展與推行創新的測試方法。

       「大數據」(Big data)時代當下,利用化學物質現有之物化特性、體外(in vitro)及體內(in vivo)數據進行毒性預測之建模(modeling)時,主要會考慮所用的數據數目與(容量)大小、成長速度,以及種類與來源。此外,所用之資料庫內容與性質(內部一致性或缺乏一致性)也必須公開。目前迫切需要發展以大量、公開的毒理數據為基礎的新穎人工智慧方法,用於建立新的預測模型以評估化學物質毒性,同時提升外界對新穎替代方法的科學信任度。在此過程,如QSAR定量構效關係(Quantitative structure-activity relationship)這類單純基於化學物質結構的傳統分析方法,將逐漸被新興的資料驅動(data-driven)與機制驅動(mechanism-driven)模型所取代。新興的模型不僅可以實踐AOP危害結局路徑(adverse outcome pathway)的概念,直接評估新興化學物質的潛在毒性,並同時呈現相關的毒性機制。

       大數據時代來臨,電腦預測毒理學的創新與發展將會成為未來的毒性測試分析之重要基礎,並將對公共衛生的決策管理產生重大影響。

講者與講題:

  • H. Zhu. Rutgers - The State University of New Jersey, Camden, NJ

用於動物毒性評估的非動物模型:資料驅動剖析和交叉參照(Nonanimal Models for Animal Toxicity Evaluations: Applying Data-Driven Profiling and Read-Across)

  • T. Hartung - Johns Hopkins University, Baltimore, MD

人工智慧:毒理學領域的後起之秀(Artificial Intelligence: A New Kid on the Block of Toxicology)

  • N. Kleinstreuer - NIEHS, Research Triangle Park, NC

運算群眾外包:利用全球專業知識來預測毒性(Computational Crowdsourcing: Leveraging Global Expertise to Predict Toxicity)

  • G. Patlewicz - US EPA, Research Triangle Park, NC

從傳統通用交叉參照過渡到定量毒性預測(Transitioning Generalized Read-Across (GenRA) towards Quantitative Toxicity Predictions)

  • H. Hong - US FDA/NCTR, Jefferson, AR

大數據分析星雲:以HLA-胜肽結合預測為例 (Nebula for Big Data Analysis: HLA-Peptide-Binding Prediction as a Case)

編譯:徐如欣研究助理、鄭獻仁博士 / 校稿:鄭獻仁博士、林嬪嬪代理所長