The number of registered chemicals has doubled over the past seven years to 200 million compounds. Currently, the development of alternative research methods is becoming increasingly important. The methods of cross-reading and machine learning are of the greatest interest to researchers.The purpose of the study is to conduct a comparative analysis of read-across and machine learning methods used in predicting the toxicity of chemicals.A search was conducted for regulatory legal acts on two information and legal portals – ConsultantPlus and Garant.ru. The search for scientific literature was conducted using the PubMed database, the Cyberleninka scientific electronic library and the eLIBRARY electronic library using keywords such as "read-across", "toxicity prediction", "machine learning", and their analogues in Russian. The reports in Russian and English for the last 25 years have been selected, taking into account the inclusion and exclusion criteria. The conducted review showed the multidirectional application of read-across and machine learning in predicting the toxicity of chemicals. Despite the fact that there is a number of limitations to the use of these methods, a number of studies have demonstrated sufficient reliability and accuracy of their use. The combined use of read-across and machine learning will allow more effective predicting of chemical toxicity.Conclusion. The conducted review showed the multidirectional application of read-across and machine learning in predicting the toxicity of chemicals. Despite the fact that there is a number of limitations to the use of these methods, a number of studies have demonstrated sufficient reliability and accuracy of their use. The combined use of read-across and machine learning will allow more effective predicting the chemical toxicity.Contribution: Guseva E.A. – research concept and design, material collection and data processing, text writing; Nikolayeva N.I. – editing; Savranets E.V., Zhantlisova D.M. – material collection and data processing; Onishchenko G.G. – editing. All authors are responsible for the integrity of all parts of the manuscript and approval of the manuscript final version.Conflict of interest. The authors declare no conflict of interest.Funding. The study had no sponsorship.Received: January 15, 2025 / Accepted: March 26, 2025 / Published: June 27, 2025
Количество зарегистрированных химических веществ за последние семь лет увеличилось в два раза – до 200 млн соединений. В настоящее время разработка альтернативных методов исследования имеет особое значение. Наибольший интерес у исследователей вызывают методы перекрёстного считывания и машинного обучения.Цель исследования – сравнительный анализ методов перекрёстного считывания (read across) и машинного обучения, применяемых при прогнозировании токсичности химических веществ.Осуществлён поиск нормативных документов по информационно-правовым порталам «КонсультантПлюс» и «Гарант.ру». Анализ научной литературы выполнен с использованием базы данных PubMed, научной электронной библиотеки «КиберЛенинка» и электронной библиотеки eLIBRARY с использованием ключевых слов read-across, toxicity prediction, machine learning и их аналогов на русском языке. Выбраны публикации на русском и английском языках за последние 25 лет с учётом критериев включения и исключения. Анализ показал разнонаправленность применения перекрёстного считывания и машинного обучения при прогнозировании токсичности химических веществ. При существующих ограничениях указанных методов в ряде работ продемонстрирована достаточная надёжность и точность их использования. Совместное применение перекрёстного считывания и машинного обучения позволит обеспечить более эффективное прогнозирование токсичности химических веществ.Заключение. Применение методов in silico в профилактической токсикологии является перспективным направлением. Разработка алгоритма совместного применения различных методов прогнозирования токсичности веществ актуальна для токсиколого-гигиенических исследований.Участие авторов: Гусева Е.А. – концепция и дизайн исследования, сбор материала и обработка данных, написание текста; Николаева Н.И. – редактирование; Савранец Е.В., Жантлисова Д.М. – сбор материала и обработка данных; Онищенко Г.Г. – редактирование. Все соавторы – утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.Финансирование. Исследование не имело финансовой поддержки.Поступила: 15.01.2025 / Принята к печати: 26.03.2025 / Опубликована: 27.06.2025