Detailansicht
In silico prediction of in vitro and in vivo toxicity endpoints based on chemical and biological descriptors
Marina Garcia de Lomana Rodriguez
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Lebenswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium NAWI aus d. Bereich Lebenswissenschaften (DissG: Pharmazie)
Betreuer*innen
Johannes Kirchmair ,
Thierry Langer
DOI
10.25365/thesis.72210
URN
urn:nbn:at:at-ubw:1-14378.81805.419979-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Angesichts der großen Zahl neuer kleiner organischer Moleküle, die kontinuierlich für verschiedene Anwendungen entwickelt und vermarktet werden, wird der Bedarf an robusten Risikobewertungsstrategien zur Gewährleistung der Sicherheit für unsere Gesundheit und Umwelt verstärkt. Die Toxizitätsbewertung beruht derzeit auf Tierversuchen, die sowohl ethisch bedenklich als auch zeitlich und finanziell sehr kostspielig sind. Daher werden erhebliche Anstrengungen unternommen, um in-vitro-Assays und in-silico-Tools zu entwickeln, die diese Tierversuche reduzieren oder ersetzen können und gleichzeitig die Sicherheit der Substanzen gewährleisten. Diese Dissertation befasst sich mit der Entwicklung von in-silico-Toxizitätsmodellen, die aktuelle Herausforderungen für die Weiterentwicklung sicherer und robuster alternativer Methoden adressieren. Der erste Teil beschäftigt sich mit der Vorhersage von in-vivo Toxizität aus einer Perspektive geringerer Komplexität, indem einzelne molekulare auslösende Ereignisse (MIEs) als Ausgangspunkt für die Bestimmung adverser Signalwege von toxischen in-vivo-Effekten vorhergesagt werden. Dies wurde am Beispiel der Störung des Hormonsystems untersucht, einem besonders schwierigen Toxizitätsendpunkt aufgrund der vielen beteiligten Regulationswege. Die weiteren drei Teile der Dissertation befassen sich direkt mit der Vorhersage von in-vivo Effekten und insbesondere mit der Entwicklung neuer Methoden, um in-vivo Toxizitätsmodelle zu verbessern. Zu diesem Zweck werden komplementäre biologische Informationen (z. B. Pharmakokinetik, MIE oder Metabolismus) bereits in der Modellentwicklungsphase eingeführt. Darüber hinaus untersuchen diese in-vivo Modelle die Möglichkeiten, die Conformal Prediction, ein Verfahren zur mathematischen Schätzung der Zuverlässigkeit der Vorhersagen, im Kontext der computergestützten Toxikologie bietet.
Abstract
(Englisch)
Given the large number of new small organic molecules that are being developed and commercialized for diverse applications, there is an urgent need for robust risk assessment strategies to ensure the safety of chemicals with respect to health and the environment. Toxicity assessment currently relies on animal assays that imply serious ethical concerns as well as high costs in terms of time and money. Therefore, substantial efforts are set on the development of in vitro assays and computational tools that can reduce or replace these animal assays while ensuring the compounds’ safety. This dissertation aims at the development of computational toxicology tools tackling current difficulties for the advancement of safe and robust alternative methods. The first part focuses on approaching in vivo toxicity prediction from a lower complexity perspective by predicting single molecular initiating events (MIEs) as a starting point for the determination of adverse outcome pathways of in vivo effects. This was studied at the example of endocrine disruption, a specially challenging toxicity endpoint due to the many regulation pathways involved. The following three parts of the dissertation tackle the prediction of in vivo effects directly. These models aim to enhance in vivo toxicity prediction by including complementary biological information (e.g. pharmacokinetics, MIEs or metabolism) already in the model development phase. Moreover, these in vivo models explore the opportunities that conformal prediction, a framework for the mathematical estimation of the confidence of the predictions, offers in the context of computational toxicology.
Schlagwörter
Schlagwörter
(Deutsch)
Maschinelles Lernen Toxikologie Vorhersage
Schlagwörter
(Englisch)
machine learning toxicity prediction
Autor*innen
Marina Garcia de Lomana Rodriguez
Haupttitel (Englisch)
In silico prediction of in vitro and in vivo toxicity endpoints based on chemical and biological descriptors
Paralleltitel (Deutsch)
In-silico Vorhersage von in-vitro und in-vivo Toxizität basierend auf chemischen und biologischen Deskriptoren
Publikationsjahr
2022
Umfangsangabe
198 Seiten, 21 ungezählte Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Klaus Liedl ,
Daniel Reker
Klassifikationen
30 Naturwissenschaften allgemein > 30.00 Naturwissenschaften allgemein: Allgemeines ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16605818
Utheses ID
63390
Studienkennzahl
UA | 796 | 610 | 449 |