Mostrar el registro sencillo del ítem

dc.contributor.author
Martínez, María Jimena  
dc.contributor.author
Sabando, María Virginia  
dc.contributor.author
Soto, Axel Juan  
dc.contributor.author
Roca, Carlos  
dc.contributor.author
Requena Triguero, Carlos  
dc.contributor.author
Campillo, Nuria E.  
dc.contributor.author
Páez, Juan A.  
dc.contributor.author
Ponzoni, Ignacio  
dc.date.available
2023-07-25T13:52:29Z  
dc.date.issued
2022-09-06  
dc.identifier.citation
Martínez, María Jimena; Sabando, María Virginia; Soto, Axel Juan; Roca, Carlos; Requena Triguero, Carlos; et al.; Multitask Deep Neural Networks for Ames Mutagenicity Prediction; American Chemical Society; Journal of Chemical Information and Modeling; 62; 24; 6-9-2022; 6342-6351  
dc.identifier.issn
1549-9596  
dc.identifier.uri
http://hdl.handle.net/11336/205289  
dc.description.abstract
The Ames mutagenicity test constitutes the most frequently used assay to estimate the mutagenic potential of drug candidates. While this test employs experimental results using various strains of Salmonella typhimurium, the vast majority of the published in silico models for predicting mutagenicity do not take into account the test results of the individual experiments conducted for each strain. Instead, such QSAR models are generally trained employing overall labels (i.e., mutagenic and nonmutagenic). Recently, neural-based models combined with multitask learning strategies have yielded interesting results in different domains, given their capabilities to model multitarget functions. In this scenario, we propose a novel neural-based QSAR model to predict mutagenicity that leverages experimental results from different strains involved in the Ames test by means of a multitask learning approach. To the best of our knowledge, the modeling strategy hereby proposed has not been applied to model Ames mutagenicity previously. The results yielded by our model surpass those obtained by single-task modeling strategies, such as models that predict the overall Ames label or ensemble models built from individual strains. For reproducibility and accessibility purposes, all source code and datasets used in our experiments are publicly available.  
dc.format
application/pdf  
dc.language.iso
eng  
dc.publisher
American Chemical Society  
dc.rights
info:eu-repo/semantics/restrictedAccess  
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/  
dc.subject
Multitask  
dc.subject.classification
Ciencias de la Información y Bioinformática  
dc.subject.classification
Ciencias de la Computación e Información  
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS  
dc.title
Multitask Deep Neural Networks for Ames Mutagenicity Prediction  
dc.type
info:eu-repo/semantics/article  
dc.type
info:ar-repo/semantics/artículo  
dc.type
info:eu-repo/semantics/publishedVersion  
dc.date.updated
2023-07-06T17:26:11Z  
dc.journal.volume
62  
dc.journal.number
24  
dc.journal.pagination
6342-6351  
dc.journal.pais
Estados Unidos  
dc.description.fil
Fil: Martínez, María Jimena. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Tandil. Instituto Superior de Ingeniería del Software. Universidad Nacional del Centro de la Provincia de Buenos Aires. Instituto Superior de Ingeniería del Software; Argentina  
dc.description.fil
Fil: Sabando, María Virginia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina  
dc.description.fil
Fil: Soto, Axel Juan. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina  
dc.description.fil
Fil: Roca, Carlos. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España  
dc.description.fil
Fil: Requena Triguero, Carlos. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España  
dc.description.fil
Fil: Campillo, Nuria E.. Instituto de Ciencias Matemáticas; España. Consejo Superior de Investigaciones Científicas. Centro de Investigaciones Biológicas; España  
dc.description.fil
Fil: Páez, Juan A.. Consejo Superior de Investigaciones Científicas. Instituto de Química Médica; España  
dc.description.fil
Fil: Ponzoni, Ignacio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina  
dc.journal.title
Journal of Chemical Information and Modeling  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1021/acs.jcim.2c00532