Réseaux Bayésiens Dynamiques : méthodologie pour l’inférence sur les schémas de mode d’Action en Toxicologie - Ineris - Institut national de l'environnement industriel et des risques Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Réseaux Bayésiens Dynamiques : méthodologie pour l’inférence sur les schémas de mode d’Action en Toxicologie

Résumé

In toxicology, an Adverse Outcome Pathway (AOP) is a conceptual framework that qualitatively describes the existing knowledge on the links between the two anchor points: Mo- lecular Initiating Event (MIE) and Adverse Outcome (AO) at a level of biological organisation relevant for risk assessment. The transformation of an AOP to its quantitative version, qAOP allows to build a powerful risk assessment tool, thanks to its ability to quantitatively predict the AO. This paper presents a new method for modelling qAOP using Dynamic Bayesian Networks (DBN).
En toxicologie, un schéma de mode d’action (AOP : Adverse Outcome Pathway) est un cadre conceptuel qui décrit qualitativement les connaissances existantes concernant les liens entre deux points d’ancrage : un événement initiateur moléculaire (MIE : Molecular Initiating Event) et un résultat défavorable (AO : Adverse Outcome) à un niveau d’organisation biolo- gique pertinent pour l’évaluation du risque. La version quantitative d’un AOP, le qAOP, promet d’être un outil puissant pour l’évaluation des risques, grâce notamment à sa capacité de pré- diction. Cet article présente une méthode de modélisation originale de qAOPs par les réseaux bayésiens dynamiques.
Fichier principal
Vignette du fichier
2018-095_post-print.pdf (323.05 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

ineris-01863861 , version 1 (29-08-2018)

Identifiants

  • HAL Id : ineris-01863861 , version 1

Citer

Frédéric Y. Bois, Wang Gao, Ghislaine Gayraud. Réseaux Bayésiens Dynamiques : méthodologie pour l’inférence sur les schémas de mode d’Action en Toxicologie. 9. Journées Francophones sur les Réseaux Bayésiens et les Modèles Graphiques Probabilistes (JFRB 2018), May 2018, Toulouse, France. pp.47-56. ⟨ineris-01863861⟩
103 Consultations
148 Téléchargements

Partager

Gmail Facebook X LinkedIn More