Optimal selection of learning data for highly accurate QSAR prediction of chemical biodegradability: a machine learning-based approach.

Takeda, K; Takeuchi, K; Sakuratani, Y; Kimbara, K

Takeda, K; Takeuchi, K; Sakuratani, Y; Kimbara, K.

Afiliação

Takeda K; Graduate School of Integrated Science and Technology, Shizuoka University, Hamamatsu, Japan.
Takeuchi K; Chemicals Management Center, National Institute of Technology and Evaluation, Tokyo, Japan.
Sakuratani Y; Chemicals Management Center, National Institute of Technology and Evaluation, Tokyo, Japan.
Kimbara K; Graduate School of Integrated Science and Technology, Shizuoka University, Hamamatsu, Japan.

SAR QSAR Environ Res ; 34(9): 729-743, 2023.

Article em En | MEDLINE | ID: mdl-37674414

Assuntos

Aprendizado de Máquina; Relação Quantitativa Estrutura-Atividade; Humanos; Medição de Risco

Palavras-chave

BOD; Biodegradation; OECD; QSAR; machine learning

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Base de dados: MEDLINE Assunto principal: Relação Quantitativa Estrutura-Atividade / Aprendizado de Máquina Tipo de estudo: Prognostic_studies / Risk_factors_studies Limite: Humans Idioma: En Ano de publicação: 2023 Tipo de documento: Article

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google