Токсичность дсп: насколько она безопасна? Объясняет эксперт-химик / на сайте Росконтроль.рф

By alexxlab No comments

Содержание

насколько она безопасна? Объясняет эксперт-химик / на сайте Росконтроль.рф

Всегда ли новая мебель из ДСП будет иметь неприятный запах?

Расшифровка сокращений

ДСП — древесно-стружечная плита

ЛДСП — ламинированное ДСП

ДВП — древесноволокнистая плита 

МДФ — древесноволокнистая плита средней плотности (англ. Medium Density Fibreboard, MDF/МДФ

Другое дело, что многие из них отличаются резким запахом и вредностью для человека и животных. По этой причине даже незначительные концентрации этих веществ (формальдегида, в первую очередь) могут вызывать неприятные ощущения, резь в глазах, раздражение дыхательных путей и т.д.

Кроме того, бывает повышенная чувствительность к этим веществам, что делает нахождение в помещении с новой мебелью невыносимым.

Продукция различается по классам эмиссии (выделения) формальдегида и низкоклассные материалы не должны допускаться для изготовления мебели.

При этом чем больше смолы в материале, тем он прочнее и долговечнее, но и опаснее с точки зрения выделения токсичных веществ!

Стоит ли по возможности избегать покупки мебели из ДСП?

Очень важно, чтобы торцы были хорошо заклеены.  Обязательно почитал бы в интернете отзывы людей, которые покупали продукцию данного изготовителя (мебельщики не так уж часто меняют поставщиков плитных материалов).

Люди не станут молчать, если из-за выделения токсичных веществ у них возникли проблемы и неприятности.

Как скоро прекращается выделение формальдегида из старой мебели?

Ухудшение самочувствия из-за небезопасной ДСП-мебели

Токсичность подразделяют на острую и хроническую. Не думаю, что покупка новой мебели может привести к хронической интоксикации (замечу, что работа в мебельном магазине или на мебельной фабрике – другое дело…)

А вот с признаками острого отравления, если не повезёт, можно и столкнуться.

Какие нарушения технологии делают мебель из ДСП небезопасной? 

Поэтому я бы не стал говорить о нарушениях в технологии, которые в конечном итоге приводят к снижению безопасности мебели — просто есть ряд причин, каждая из которых может заметно ухудшить качество ДСП.

При этом если внимательно отнестись к выбору мебели из ДСП, МДФ и т.д., то вполне можно избежать причинения вреда здоровью.

Личный опыт: какие производства ДСП выпускают безопасную продукцию

Поделиться с друзьями

Подписка

Подпишитесь на полезные статьи

Каждую неделю мы рассказываем о новых сравнительных тестах продуктов
питания и бытовой техники. Коротко и по
делу.

вред для здоровья и экологичность

Во время подбора мебели каждый из нас задается вопросом, из какого материала выбрать изделие. Очень часто выбор стоит между МДФ плитами и ДСП. Если вы подошли к вопросу выбора материала серьезно, стоит разобраться что же значат эти абревиатуры.

МДФ (Древесноволокнистая плита средней плотности) – связывающим элементом этого материала являются карбамидные смолы, трансформированные меламином. Плиты МДФ производятся с помощью сухого прессования стружки при высоких температурах.

Содержание статьи:

Состав панелей и плит

Основным токсикантом из которых состоят МДФ панели являются смолы, они заменили фенол, который был еще более токсичен.

  • Стружка (опилки).
  • Лак.
  • Шпон (может быть без него).
  • Смолы группы карбидных.

             Вредность МДФ для здоровья человека имеет ряд факторов. На территории РФ продукция древесноволокнистых плит является довольно низкого качества, поэтому говорить мы будем именно об низкокачественных изделиях. Состав отечественных МДФ содержит смолы, которые при использовании в быту выделяют токсический формальдегид. Этот токсин раздражает глаза, вызывает кожные раздражения и даже подвергает опасности дыхательные пути. Из-за этого во время использования плит из материала МДФ, вред невозможно переоценить.

Формальдегид – вещество в виде газа, токсикант. Имеет резкий запах, широко используется в химической промышленности.

Экологичность и влияние

Производители панелей утверждают что изделия из МДФ намного безопаснее и натуральнее, например, изделий из ДСП. Такая информация конечно не может не радовать, но все же стоит разобраться подробней чтобы не выбирать между “плохо” и “еще хуже”.

Дело в том, что для того чтобы МДФ плиты были максимально безопасными, их надо использовать в неотапливаемом месте, без попадания солнечных лучей. Иначе, материал будет впитывать конденсат, или будет выделять упомянутый выше формальдегид.

Вагонка из МДФ под стеновые отделки это очень рискованно. Как мы уже говорили в отапливаемых помещениях собирать в себе конденсат, он со временем может плохо влиять на проживающих в таком доме. Мы не будем перечислять болезни которыми рискует заболеть живущий в комнате с стеной из МДФ.

Как уменьшить вред от МДФ

Для того чтобы обезопасить себя от вредных воздействий изделий стоит задуматься об оклейке торцов МДФ плиты. Именно из торцов панели выделяется максимальное испарение в воздух вредных веществ. Этот маневр сможет уменьшить выход вредных содержаний материала, но сами понимаете, уменьшить не значит избавиться вовсе. Лучше всего, если используемы вами изделия будут полностью покрашены лаком или краской.

ДСП экологичнее МДФ?

Скажем сразу, и первый и второй материал примерно одинаково неэкологичен. Как MDF-плиты так и ДСП могут быть менее вредными для здоровья человека только при определенных условиях, которые уж больно трудно подобрать и это практически не возможно в домашних условиях.

Вредно или нет ДСП для нашего здоровья

                                                          

                                                                     Материал ДСП

 

В каждом доме и квартире есть мебель и предметы интерьера. Очень важно, из какого материала она сделана. Качество материала определяет его стоимость, чем качественнее материал, тем  цена выше. Чем качественнее мебель в нашем интерьере, тем лучше мы чувствуем себя дома.

Спрос на дорогую мебель значительно меньше, поэтому производителю необходимо уменьшить затраты на производство. Именно поэтому используют материал  ДСП.

 

                                                             Что же за материал  ДСП?

 

Это древесно-стружечная плита, которая широко применяется в производстве многих изделий. Шкафы, кухонная мебель, комоды, кровати — все,  это сделано из ДСП.

Сама плита состоит из стружки, которая соединяется специальным клеем.

 

                                                                   Свойства ДСП

 

ДСП очень популярен на рынке строительных материалов, благодаря своей невысокой стоимостью. Однако, низкая цена — не единственный плюс этого материала. Данный материал прост в обработке, он имеет небольшой вес.

Плотность этого материала  делится на три вида:

  •        Малая

  •        Средняя

  •        Высокая

Плотность определяет характеристики панелей  область их применения.

Древесно-стружечную плиту не рекомендуется использовать там, где большая влажность.

 

                                                                      Виды ДСП

 

Существует несколько видов древесно-стружечной плиты:

  •        Ламинированная

  •        Прессованная

  •        Влагостойкая

  •        Экструзионная

 

                                                                        Сорта ДСП

 

ДСП выпускают двух сортов:

  •        Первый сорт- на этих плитах не допускаются какие либо повреждения, на них не должно быть ни потертостей, ни углублений,  ни пятен.

  •        Второй сорт- на поверхностей этих панелей допускаются небольшие дефекты.

 

                                                               Преимущества

 

 

  •        Низкая цена- для производства ДСП используется низкосортная древесина;

  •        Однородная структура и простота обработки;

  •        Имеет практически любую длину и ширину;

  •        Большой выбор цветов и фактур;

  •        Хорошая прочность материала;

  •        Долговечность;

  •        Возможность приобрести   материал с влагостойким покрытием;

  •        Хорошо держит гвозди и шурупы.                                                       

                                                               

                                                                   Недостатки

 

  •        Низкая прочность- ДСП уступает по прочности древесина и фанере;

  •        Низкая влагостойкость;

  •        Не очень привлекательный вид, но эта проблема решается ламинированием;

  •        Резкий запах.

 

                                                                Влияние на организм

 

 

Одним из минусов ДСП является то, что в его составе есть  токсичное вещество — формальдегид.

Формальдегид- это газ. Он легко растворяется в жидкостях и его охотно используют в производстве. Например, водный раствор необходим при производстве материалов из спрессованной древесин: ДСП, фанера, МДФ.

Формальдегид также применяется при производстве пластика, смолы, краски, шампуней, кожаных изделий.

Это вещество официально признано канцерогеном, который способен вызывать у людей раковые заболевания! Этот факт очень настораживает.

К тому же если вы обратите внимание, как пахнет новая мебель,  то можете уловить неприятный запах. Это и есть тот самый  формальдегид.

 

                                        Как проверить мебель на формальдегиды

 

Как же узнать есть ли вредные вещества в мебели еще до покупки.

Существуют правила маркировки мебели по содержанию газа.

Пометка Е- (0) указывает, на то, что изделие наиболее безопасно.

Маркировка Е-(1)  показывает, что содержание 11мг формальдегид на каждые 100 г изделия.

Знак Е-(2)  самый опасный, он показывает высокий уровень содержания вредных веществ.

 Кроме маркировки следует обратить внимание на то, как обработана мебель. «Голый» материал на торце изделия очень не желателен. Все кромки должны быть заделаны.

Также при выборе мебели следует обращать на запах. Если от изделия очень резко пахнет, значит концентрация вредного газа высокая, следует задуматься.

При интенсивном проветривании запах мебели может выветриться в течении нескольких месяцев. Однако сам формальдегид может выветриваться несколько лет.

 

                                                           Почему выбирают ДСП

 

Интерес к такому виду материала достаточно большой и вот почему:

  •        Простота получения  больших деталей

  •        Неизменны форма и размеры

  •        Применяется в качестве сырья отходов вместо древесины.

Благодаря массовому производству ДСП, потери при переработки леса сократились с 60% до 10%.

Строительство и мебельная промышленность получили дешевый и удобный материал.

 

                                               Сфера применения

 

Несмотря,  на большой вред для здоровья, спрос на материал ДСП остается высоким.

ДСП- материал с огромной областью применения.

Многие думают, что этот материал применяют исключительно для производства мебель, но это ошибочное мнение. 

 

Из данного деревоплитного материала производят:

  •        Изделия для строительства;

  •        Различные ограждения

  •        рампы для ледовых катков;

  •        профили для мебели  и фасадов;

  •        облицовочные панели для стен

  •        подложку под черновой настил пола;

  •        перегородки в помещениях

  •        межкомнатные двери

  •        стенды и стеллажи

  •        кухонные гарнитуры эконом класса

  •        столы

  •        кровати

  •        шкафы

  •        обшивочный материал для обшивки стен и кровель.

Наиболее востребованные направления для использования ДСП- это строительство и производство  мебели.

В строительстве в основном применяют второй сорт материала.

 

                                               Советы по эксплуатации мебели

 

Материал ДСП- недорогой и функциональный материал, его ценят за прочность и долговечность. Мебель из ДСП не подвергается влиянию плесени,  она не рассыхается и не расслаивается. 

Правильный уход за мебелью из этого материал надолго продлит его новизну и свежесть.

 

ДСП выпускается с декоратиными покрытиями:

  •        бумажно-слоистый пластик, известный еще как ламинат;

  •        пленка;

  •        шпон;

  •        лакмеламин.

Особенно популярно сегодня покрытие меламиновое во-первых, за свою прочность, во-вторых, за безразличие к нагреву и увлажнению. Это очень полезные качества для мебели. Применяя то или иное покрытие, производители одновременно решают два вопроса: эстетический и защитный.

Декоративные покрытия придают изделию красивый вид и защищают его от различных повреждений. Производители мебели используют ДСП в основном для изготовления полочек и стенок шкафов, поверхностей столов боковых и горизонтальных, столешниц, детских кроватей, прочих конструкционных элементов мебели.

Многие производители , рекламируя свой товар утверждают, что мебель из ДСП можно часто мыть и подвергать влажной уборке. Но   при уборке не следует слишком сильно подвергать мебель влажности. Иначе вскоре, материал деформируется и  мебель разбухнет.  И к сожалению,  это уже невозможно будет ничем исправить. Помните, что ДСП и вода это враги.  Особенно опасна влага при повреждении защитного покрытия вода беспрепятственно вступает в контакт с древесной стружкой, которая является основным компонентом плит.

Специалисты советуют при уборке, использовать мыльный раствор, он хорошо очищает даже сильные загрязнения.  После мыть поверхность необходимо вытирать насухо, чтобы избежать повреждений. Кроме мыльного раствора, также  можно использовать влажные салфетки.

 

Запрещается использовать при уходе за мебелью из ДСП растворители, абразивные вещества,  различные полироли. Все эти вещества могут испортить поверхность изделия.

 Уход за мебелью из ДСП может вестись и при участии химических средств. При выборе средства по уходу за мебелью, необходимо изучить инструкцию. Пыль вытирать лучше тканью из  фланели). Она мягкая и не оставляет царапин на поверхности.  Никогда не пользуйтесь скребками и ворсистыми губками они легко повредят покрытие и испортят вашу мебель. Для профилактики, протирайте изделия из ДСП антистатическими средствами во избежание электризации и усиленного притягивания пыли.

Несомненно, мебель из ДСП красивая и качественная. При хорошем и правильном уходе она прослужит вам много лет.

 

 

 

Ядовитая мебель, ч.1. «Неправильные» цвета и опасные материалы | Деньги

a[style] {position:fixed !important;}
]]]]]]]]]]>]]]]]]]]>]]]]]]>]]]]>]]>

aif.ru

Федеральный АиФ

aif.ru

Федеральный АиФ

  • ФЕДЕРАЛЬНЫЙ
  • САНКТ-ПЕТЕРБУРГ
  • Адыгея
  • Архангельск
  • Барнаул
  • Беларусь
  • Белгород
  • Брянск
  • Бурятия
  • Владивосток
  • Владимир
  • Волгоград
  • Вологда
  • Воронеж
  • Дагестан
  • Иваново
  • Иркутск
  • Казань
  • Казахстан
  • Калининград
  • Калуга
  • Камчатка
  • Карелия
  • Киров
  • Кострома
  • Коми
  • Краснодар
  • Красноярск
  • Крым
  • Кузбасс
  • Кыргызстан
  • Мурманск
  • Нижний Новгород
  • Новосибирск
  • Омск
  • Оренбург
  • Пенза
  • Пермь
  • Псков
  • Ростов-на-Дону
  • Рязань
  • Самара
  • Саратов
  • Смоленск
  • Ставрополь
  • Тверь
  • Томск
  • Тула
  • Тюмень
  • Удмуртия
  • Украина
  • Ульяновск
  • Урал
  • Уфа
  • Хабаровск
  • Чебоксары
  • Челябинск
  • Черноземье
  • Чита
  • Югра
  • Якутия
  • Ямал
  • Ярославль

  • Спецпроекты

    • 75 лет атомной промышленности

    • 75 лет Победы

      • Битва за жизнь

      • Союз нерушимый

      • Дневники памяти

      • Лица Победы

      • Накануне

    • Герои страны

    • Герои нашего времени

    • Asus. Тонкость и легкость

    • Рак легкого — не приговор

    • Красота без шрамов

    • Клиника «Медицина»

    • Как справиться с грибком ногтей

    • Деньги: переводить мгновенно и бесплатно

    • Инновационный ультрабук ASUS

    • Как быстро найти работу?

    • Память в металле

    • Здоровый образ жизни – это…

    • Московская промышленность — фронту

    • Почта в кармане

    • Путешествие в будущее

    • GoStudy. Образование в Чехии

    • Безопасные сделки с недвижимостью

    • Перепись населения. Слушай, узнавай!

    • Новогодний миллиард в Русском лото

    • Рыба: до прилавка кратчайшим путем

    • «Кванториада» — 2019

    • Югра: нацпроекты по заказу

    • Выбор банковских продуктов

    • Работа мечты

    • МГУ — флагман образования

    • 100 фактов о Казахстане

    • Ремонт подъездов в Москве

    • Panasonic: теплицы будущего

    • Рейтинг лучших банковских продуктов

    • Лечим кашель

    • Югра удивляет

    • Возвращение иваси

    • Детская книга войны

    • Как читать Пикассо

    • Жизнь Исаака Левитана в картинах

    • Учиться в интернете

Насколько вредная ЛДСП и как за ней следить

Главная
→
Статьи
→
Насколько вредная ЛДСП и как за ней следить

На сегодняшний день найти квартиру или частный дом, в которых мебель изготовлена исключительно из натурального дерева, очень сложно. Обусловлено это высокой стоимостью данного материала.

Альтернативой натурального сырья в производстве мебели выступает ЛДСП, которая является более дешевой и доступной. Правда, такая офисная мебель, если неправильно сделать выбор, может нанести вред здоровью. Чтобы этого не допустить, стоит пролистать каталог ЛДСП и подобрать нетоксичные и недорогие материалы для своей мебели.

Многие спросят, почему такая мебель токсична? Все дело в том, что в состав скрепляющего вещества листов дерево-стружечной плиты входит формальдегид, который при достижении определенной концентрации в воздухе может навредить здоровью. Большинство людей считает, что негативными свойствами обладает только недавно купленная мебель. Но на самом деле не стоит надеяться на то, что спустя пару месяцев все вредные вещества «выветрятся». Ведь даже в таком случае хозяева помещения будут дышать испарениями формальдегида.

Естественно, риск отравиться вредными испарениями может нарушить самочувствие всех жильцов квартиры. Выделяемый мебелью из ЛДСП формальдегид может вызывать раздражение глаз, верхних дыхательных путей и кожного покрова. Если он будет длительное время воздействовать на человека, то не исключено развитие раковых заболеваний, депрессии, астмы, головных болей и бессонницы.

Правда, ради справедливости стоит отметить, что листы ЛДСП ростов и других регионов по выделению формальдегида сильно отличаются от листов ДСП. То есть, ламинированное ДСП по своей экологичности может использоваться для мебели в медицинских учреждениях, детских комнат без опасения за здоровье.

Если рассматривать каталог ЛДСП и других материалов, используемых для мебели, то сразу видно главное преимущество. Речь идет о стоимости ЛДСП, которая значительно ниже стоимости всех своих аналогов. Естественно, кто имеет возможность приобрести себе более дорогую мебель, тот выберет ценные породы деревьев. Но в этом случае дешевле не значит хуже, поскольку листы ЛДСП обладают высокими показателями устойчивости к механическому воздействию, воздействию термических факторов и влаги.

Для того, чтобы все эти плюсы материала позволяли служить изготовленной из него мебели длительный срок, важно осуществлять правильный уход. Вся устойчивость ЛДСП Ростов завязана на ламинированной пленке. Она защищает стружку, из которой сделана основная плита, от влаги, и если повредить защитный слой, то она сможет попадать непосредственно в плиту, что станет основной причиной взбухания и разрушения.

Так что первое правило использования и ухода за такой мебелью заключается в сохранении защитного слоя. В случае повреждения, стоит постараться восстановить свойства за счет воска. Также, хотя материал и устойчив к влаге, все же стоит его уберечь от частого и чрезмерного увлажнения, поскольку дерево, служащее основой для материала, не любит влагу.

Используемый на многих предприятиях каталог ЛДСП позволяет заказчику выбрать наиболее подходящий вариант мебели как по свойствам, так и по внешнему виду. Но при этом важно постараться организовать в помещении для такой мебели определенный температурный режим, который должен находиться в пределах от -1 до +25-32 градусов по Цельсию. Это говорит о том, что даже самые надежные вещи в жизни человека нуждаются в должном уходе для качественной и долговечной службы.

Важно помнить о том, что, сколько бы продавец не уверял покупателя, что его мебель для дома или офиса, сделанная из ЛДСП, сможет выдержать любые условия эксплуатации, они будут зависеть только от отношения человека к мебели, а также от созданных им условий. Так что если есть желание длительное время радоваться привлекательным внешним видом только купленной мебели, стоит соблюдать некоторые рекомендации, способствующие сохранению защитного слоя ЛДСП, а значит, и длительному сроку службы изготовленной из него мебели.

30621 просмотр.

Мебель из ДСП и МДФ: симптомы отравления формальдегидом

Частые головные боли, раздражение горла, кашель и насморк, появляющиеся после долгого пребывания в помещении, — причиной этого может быть вовсе не ОРЗ, а формальдегид, который выделяется из мебели. Какие симптомы отравления токсичными веществами, выделяют мебель, и как уберечь своё здоровье?

Как мы рассказывали ранее, при производстве ДСП и МДФ материалов для мебели в их состав добавляют смолы, которые содержат формальдегид. Выделяясь наружу, это вещество постепенно отравляет здоровье и может привести к возникновению ряда серьёзных заболеваний.

Считается, что наибольшая часть испарений формальдегида происходит в течение 6 месяцев после покупки новой мебели. Но даже после этого опасные вещества из мебели продолжают выделяться, причём их испарение значительно увеличивается в отопительный сезон зимой: под нагревом от батарей формальдегид ещё быстрее испаряется, а сухой воздух помещений приводит к тому, что его концентрация в воздухе увеличивается.

Основными симптомы отравления формальдегидом:

1. Раздражение слизистых оболочек глаз и верхних дыхательных путей, кожи.

2. Частая головная боль, кашель, насморк, заложенность носа.

3. Немотивированное снижение настроения.

Как распознать отравление формальдегидом, выделяемым мебелью?

1. Перечисленные выше симптомы проявляются у нескольких людей, достаточное время находящихся в этом помещении. При смене обстановки недомогания исчезают.

2. С наступлением отопительного сезона симптомы отравления усиливаются.

3. При проветривании квартиры симптомы уменьшаются или временно исчезают.

Если у вас есть подозрение на отравление токсичными веществами, которые выделяются мебелью в вашем доме, можно обратиться в специализированные организации, которые проведут санитарно-эпидемиологическую экспертизу на формальдегид. Стоимость такой экспертизы не из дешёвых: в среднем, она может составить от 3 до 5 тысяч грн для среднестатистической квартиры.

По словам специалистов, которые проводят такие экспертизы, в обычной квартире с мебелью из ДСП уровень содержания формальдегида составляет 0,07—0,09 ‰, при норме — 0,06 ‰.

При эксплуатации мебели в воздух жилых помещений выделяются и другие опасные вещества: аммиак, ацетаты и фталаты, стирол, метанол, фенол, толуол, ксилол, фталевый ангидрид, этилбензол — этот перечень зависит от химического состава применяемых материалов.

Как обезопасить себя от мебели из ДСП и МДФ?

Вещества, содержащиеся в смолах ДСП и МДФ, выделяются с незащищённой поверхности (боковины полок и т.п.), а также с открытых кромок и задней стенки мебели. Корпусная мебель представляет наибольшую опасность, поскольку для её изготовления используют много порезанного ДСП или МДФ, а боковой срез полок, как правило, оставляют открытым.

Что делать с такой мебелью и как уменьшить испарение формальдегида и других опасных веществ?

  1. Нанесите на все незащищённые поверхности мебели (в том числе, задние стенки) несколько слоёв клея, лака или краски. В качестве краски возьмите воднодисперсионную: она не содержит токсичных веществ и создаст защитную плёнку.
  2. В качестве защитного вещества также можно использовать ПВХ-кромку.
  3. Столы, тумбы и т.п. предметы интерьера можно обклеить самоклеющейся плёнкой или накрывать натуральными материалами. Это значительно снизит количество испарений токсичных веществ.
  4. Все повреждения на мебели (царапины, сколы и т.п.) немедленно покройте защитным веществом (см. п.1).
  5. По возможности разместите мебель подальше от батарей и других нагревательных приборов.
  6. Как можно чаще проветривайте помещение и контролируйте влажность воздуха.

Вы также можете узнать подробней, насколько опасна мебель в доме.

System Of A Down — токсичность · информация о карте

информация о карте удара

Переключить навигацию

войти / зарегистрироваться

Гость

дом

  • Новости

  • команда

  • журнал изменений

  • скачать

  • поиск

карты

  • листинг

  • избранные художники

  • пакеты

рейтинги

  • производительность

  • прожекторы

  • Гол

  • страна

  • мультиплеер

  • кудосу

сообщество

  • форумы

  • болтать

  • конкурсы

  • турниры

  • прямой эфир

  • развитие

магазин

  • листинг

  • тележка

Измерение токсичности — Science Learning Hub

Токсичность можно измерить по эффекту, который вещество оказывает на организм, ткань или клетку.Мы знаем, что люди будут по-разному реагировать на одну и ту же дозу вещества из-за ряда факторов, включая их пол, возраст и массу тела. Поэтому часто используется мера токсичности на уровне населения. Вероятность результата для популяции затем связана с данным человеком в популяции.

Смертельная доза (LD 50 )

Одним из таких показателей на уровне популяции является средняя летальная доза, LD 50 (летальная доза, 50%). Это определяется как доза, необходимая для уничтожения половины представителей определенной популяции животных при попадании в тело животного определенным путем.LD 50 — это общий индикатор токсичности вещества за короткий промежуток времени. Это показатель острой токсичности.

Большинство пользователей вещества захотят узнать о его токсичности. Информация для LD 50 должна включать в себя вещество, путь ввоза и вид животных. Например, пероральная LD 50 поваренной соли для крыс составляет 3 г / кг. У парацетамола пероральная LD 50 для крыс составляет 1,944 г / кг.

Процедура с фиксированной дозой

В 1992 г. процедура с фиксированной дозой (FDP) была предложена в качестве альтернативы тесту LD 50 .В нем используется меньше животных, меньше боли и страданий. В этой процедуре тестируемое вещество вводится в одном из четырех уровней фиксированной дозы (5, 50, 500 и 2000 миллиграммов на килограмм) пяти самцам и пяти самкам крыс. Когда доза вызывает явные признаки токсичности, но смерть не определяется, химическое вещество классифицируется на этом уровне.

Частей на миллион

Некоторые химические вещества могут вызывать токсичность при очень низких дозах, поэтому важно понимать, насколько низкие дозы сравниваются друг с другом.Части на миллион (ppm), части на миллиард (ppb) и части на триллион (ppt) — это наиболее часто используемые термины для описания очень малых количеств веществ.

ppm химического вещества в воде означает, что в пределах

Frontiers | DeepTox: прогнозирование токсичности с использованием глубокого обучения

1. Введение

Люди подвергаются воздействию множества химических соединений через окружающую среду, пищу, косметику и лекарства. Чтобы защитить людей от потенциально вредных воздействий, эти химические вещества должны пройти надежные тесты на побочные эффекты и, в частности, на токсичность.Влияние соединения на здоровье человека оценивается с помощью большого количества длительных и затратных экспериментов in vivo или in vitro . В частности, многие методы основаны на тестах на животных, в результате чего дополнительная безопасность поступает в ущерб этическим соображениям. Целью инициативы «Тестирование на токсичность в XXI веке» является разработка более эффективных и менее затратных по времени подходов к прогнозированию того, как химические вещества влияют на здоровье человека (Andersen and Krewski, 2009; Krewski et al., 2010).Наиболее эффективные подходы используют вычислительные модели, которые могут сканировать большое количество соединений за короткое время и с низкими затратами (Rusyn and Daston, 2010). Однако вычислительные модели часто страдают недостаточной точностью и не так надежны, как биологические эксперименты. Чтобы вычислительные модели заменили биологические эксперименты, они должны достичь сопоставимой точности. В рамках «Задача Tox21 Data Challenge» (проблема Tox21) оценивалась производительность вычислительных методов для тестирования токсичности, чтобы оценить их потенциал для уменьшения экспериментов in vitro и испытаний на животных.

Организаторы конкурса Tox21 предложили участникам построить вычислительные модели для прогнозирования токсичности соединений для 12 токсических эффектов (см. Рис. 1). Эти токсические эффекты включали эффекты реакции на стресс (SR), такие как эффект реакции на тепловой шок (SR-HSE), и эффекты ядерного рецептора (NR), такие как активация рецептора эстрогена (NR-ER). Эффекты как SR, так и NR имеют большое значение для здоровья человека, поскольку активация ядерных рецепторов может нарушить функцию эндокринной системы (Chawla et al., 2001; Grün and Blumberg, 2007), а активация путей стрессовой реакции может привести к повреждению или раку печени (Bartkova et al., 2005; Labbe et al., 2008; Jaeschke et al., 2012). Для построения вычислительных моделей были предоставлены высокопроизводительные скрининговые измерения этих двенадцати токсических эффектов. Обучающий набор состоял из библиотеки соединений Tox21 10K, в которую входят химические вещества и лекарства из окружающей среды (Huang et al., 2014). Для набора из 647 новых соединений вычислительные модели должны были предсказать результат высокопроизводительных скрининговых анализов (см. Рисунок 1).Измерения для этих тестовых соединений не разглашались участникам и использовались для оценки производительности вычислительных методов. «Площадь под кривой ROC» (AUC) использовалась в качестве критерия эффективности, который отражает, насколько хорошо метод может ранжировать токсичные соединения выше, чем нетоксичные соединения.

Рис. 1. Обзор набора данных задачи Tox21 .

Участники испытания Tox21 использовали широкий спектр вычислительных методов для прогнозирования токсичности, большинство из которых относились к области машинного обучения.Эти методы представляют химическое соединение с помощью химических дескрипторов, признаков, которые передаются в предсказатель. Методы прогнозирования биологических эффектов обычно подразделяются на подходы, основанные на сходстве и подходы, основанные на особенностях. Методы, основанные на подобии, вычисляют матрицу попарного сходства между соединениями, которая впоследствии используется алгоритмами прогнозирования. Эти методы, основанные на идее о том, что аналогичные соединения должны обладать аналогичным биологическим действием, включают алгоритмы ближайшего соседа (например,г., Кауфман и Юрс, 2001; Ajmani et al., 2006; Cao et al., 2012) и опорные векторные машины (SVM, например, Mahé et al., 2005; Niu et al., 2007; Darnag et al., 2010). SVM полагаются на матрицу ядра, которая представляет попарные сходства объектов. В отличие от методов, основанных на подобии, методы, основанные на признаках, либо выбирают входные признаки (химические дескрипторы), либо взвешивают их по баллу или параметру модели. Подходы на основе признаков включают (обобщенные) линейные модели (например, Luco and Ferretti, 1997; Sagardia et al., 2013), случайные леса (например, Svetnik et al., 2003; Polishchuk et al., 2009) и схемы подсчета баллов, основанные на наивном байесовском методе (Bender et al., 2004; Xia et al., 2004). Выбор информативных признаков для решения поставленной задачи является ключевым в методах, основанных на признаках, и требует глубокого понимания химических и биологических свойств и процессов (Verbist et al., 2015), таких как взаимодействия между молекулами (например, лиганд-мишень), реакции и участвующие ферменты и метаболические модификации молекул. Подходы, основанные на сходстве, напротив, требуют надлежащей меры сходства между двумя соединениями.Мера может использовать объектно-ориентированное, двухмерное графическое или трехмерное представление соединения. Графические представления соединений и молекул привели к изобретению графов и ядер молекул (Kashima et al., 2003, 2004; Ralaivola et al., 2005; Mahé et al., 2006; Mohr et al., 2008; Vishwanathan et al. ., 2010; Кламбауэр и др., 2015). Эти методы не могут автоматически создавать специфические для конкретной задачи или новые химические свойства. Однако глубокое обучение позволяет создавать новые, специфичные для задач функции, которые приводят к представлениям данных, которые позволяют методам глубокого обучения превосходить предыдущие подходы, что было продемонстрировано в различных задачах речи и зрения.

Глубокое обучение (LeCun et al., 2015; Schmidhuber, 2015) стало очень успешной областью машинного обучения. Он уже повлиял на широкий спектр областей обработки сигналов и информации, переопределяя современное состояние зрения (Cireşan et al., 2012a; Krizhevsky et al., 2012), распознавания речи (Dahl et al., 2012; Deng et al., al., 2013; Graves et al., 2013), понимание текста и обработка естественного языка (Socher, Manning, 2013; Sutskever et al., 2014), физика (Baldi et al., 2014) и науки о жизни (Cireşan et al., 2013). MIT Technology Review выбрал его как один из 10 технологических прорывов 2013 года. Глубокое обучение уже применялось для прогнозирования результатов биологических анализов (Dahl et al., 2014; Unterthiner et al., 2014, 2015; Ma et al., 2015), что сделало его нашим главным кандидатом на предсказание токсичности.

Глубокое обучение основано на искусственных нейронных сетях со многими слоями, состоящими из большого количества нейронов, которые называются глубокими нейронными сетями (DNN).Формальное описание DNN дано в разделе 2.2.1. В каждом слое глубокое обучение создает элементы в нейронах, которые связаны с нейронами предыдущего слоя. Таким образом, входные данные представлены элементами в каждом слое, где элементы на более высоких уровнях кодируют более абстрактные концепции входных данных (LeCun et al., 2015). При обработке изображений первый слой DNN обнаруживает такие функции, как простые пятна и края в необработанных данных пикселей (Lee et al., 2009; см. Рисунок 2). В следующих слоях эти черты объединяются в части объектов, такие как носы, глаза и рот для распознавания лиц.В верхних слоях объекты собираются из элементов, представляющих их части, такие как грани.

Рисунок 2. Иерархический состав сложных признаков . DNN строят функцию из более простых частей. Возникает естественная иерархия признаков. Входные нейроны представляют необработанные значения пикселей, которые объединены с краями и каплями на нижних слоях. В средних слоях строятся контуры носа, глаз, рта, бровей и их частей, которые в итоге объединяются в абстрактные черты, такие как лица.Изображения взяты из Lee et al. (2011) с разрешения авторов.

Способность конструировать абстрактные функции делает глубокое обучение подходящим для прогнозирования токсичности. Представление соединений химическими дескрипторами аналогично представлению изображений DNN. В обоих случаях представление является иерархическим, и многие объекты внутри слоя коррелированы. Это говорит о том, что Deep Learning может автоматически создавать абстрактные химические дескрипторы. Построенные признаки могут указывать на функциональные группы или токсикофоры (Kazius et al., 2005), как показано на Рисунке 3.

Рис. 3. Представление токсикофора иерархически связанными признаками . Простые элементы имеют общие химические свойства, обозначенные как реактивные центры. Объединение реактивных центров приводит к токсикофорам, которые представляют специфические токсикологические эффекты.

Построение ориентировочных абстрактных функций с помощью глубокого обучения можно улучшить с помощью Многозадачное обучение . Многозадачное обучение включает в себя несколько задач в учебный процесс (Каруана, 1997).В случае DNN различные связанные задачи имеют общие черты, которые, следовательно, отражают более общие химические характеристики. В частности, многозадачное обучение полезно для задач с небольшим или несбалансированным обучающим набором, что часто бывает при вычислительной токсичности. В этом случае из-за недостаточной информации в обучающих данных невозможно построить полезные функции. Однако многозадачное обучение позволяет этой задаче заимствовать функции из связанных задач и, таким образом, значительно увеличивает производительность.

Deep Learning опирается на большие объемы обучающих данных для построения ориентировочных функций (Крижевский и др., 2012) и, таким образом, эффективных моделей. В последнее время доступность высокопроизводительных анализов токсичности предоставляет достаточно данных для использования глубокого обучения для прогнозирования токсичности (Andersen and Krewski, 2009; Krewski et al., 2010; Shukla et al., 2010). Таким образом, глубокое обучение, вероятно, будет хорошо работать при следующих предпосылках:

Эти три условия выполняются для набора данных Tox21: (1) Анализы на токсичность с высокой пропускной способностью предоставили огромное количество данных.(2) Дескрипторы химических соединений коррелированы. (3) Многозадачная установка естественна, поскольку разные анализы измеряют разные, но связанные токсические эффекты для одного и того же соединения (см. Рисунок 4). В заключение, глубокое обучение кажется многообещающим для вычислительной токсикологии из-за его способности конструировать абстрактные химические свойства.

Рис. 4. Корреляция анализа . (A) Гистограмма, показывающая количество однозначных назначений меток для каждого соединения. Только ≈500 соединений имели метку только для одного анализа, более половины (54%) соединений имели метки для 10 или более задач. (B) Абсолютный коэффициент корреляции между различными анализами заражения Tox21.

2. Материалы и методы

Для задачи Tox21 мы использовали Deep Learning в качестве ключевой технологии, для которой мы разработали конвейер прогнозирования (DeepTox), который позволяет использовать Deep Learning для прогнозирования токсичности. Конвейер DeepTox был разработан для наборов данных с характеристиками, аналогичными характеристикам набора данных Tox21 Challenge, и позволяет использовать глубокое обучение для прогнозирования токсичности.Сначала мы представим набор данных задачи в Разделе 2.1. Затем в Разделе 2.2 мы представляем, как мы использовали глубокое обучение для прогнозирования токсичности, а в Разделе 2.3 объясняется конвейер DeepTox.

2.1. Данные о вызове Tox21

В испытании Tox21 был дан набор данных с 12 707 химическими соединениями. Этот набор данных состоял из набора обучающих данных из 11764, набора из 296 таблиц лидеров и тестового набора из 647 соединений. Для набора данных обучения химические структуры и аналитические измерения для 12 различных токсических эффектов были полностью доступны участникам с самого начала испытания, как и химические структуры набора лидеров.Тем не менее, результаты измерений в таблице лидеров не были предоставлены организаторами соревнований на первом этапе соревнования и использовались для оценки на этом этапе, но были выпущены позже, чтобы участники могли улучшить свои модели с помощью данных таблицы лидеров для окончательной оценки. В таблице 1 указано количество активных и неактивных соединений в тренировках и в таблицах лидеров каждого анализа. Окончательная оценка была проведена на тестовом наборе из 647 соединений, где были доступны только химические структуры.Результаты анализа были известны только организаторам и должны были быть предсказаны участниками. Таким образом, у нас был обучающий набор, состоящий из 11764 соединений, набор лидеров, состоящий из 296 соединений, оба доступных вместе с соответствующими измерениями анализа, и набор тестов, состоящий из 647 соединений, которые должны быть предсказаны участниками испытания (см. Рисунок 1). . Химические соединения были даны в формате SDF, который содержит химические структуры в виде неориентированных помеченных графов, узлы и края которых представляют атомы и связи соответственно.Результаты измерений были разделены (т.е. помечены) как «активные», «неактивные» или «неубедительные / не проверенные». Не все соединения были измерены во всех анализах (см. Рисунок 4A).

Таблица 1. Количество активных и неактивных соединений в наборах для обучения (Train) и таблицы лидеров (Leader) каждого анализа .

2.2. Глубокое обучение для прогнозирования токсичности

Deep Learning — это очень успешный метод машинного обучения, который уже произвел революцию во многих научных областях.Глубокое обучение включает в себя множество архитектур, таких как глубокие нейронные сети (DNN) или сверточные нейронные сети. Мы предлагаем DNN для прогнозирования токсичности и представляем детали метода и алгоритмические корректировки ниже. Сначала мы познакомимся с нейронными сетями и, в частности, с DNN в разделе 2.2.1. Затем в разделе 2.2.2 мы обсуждаем ключевые методы, которые привели к успеху DNN по сравнению с мелкими и мелкими нейронными сетями. Цель, которая была минимизирована для DNN для прогнозирования токсичности, и соответствующие алгоритмы оптимизации обсуждаются в разделе 2.2.3. Мы объясняем гиперпараметры DNN и архитектуры DNN, используемые в Разделе 2.2.4. В Разделе 2.2.5 мы описываем оборудование, которое использовалось для оптимизации задач DNN DeepTox.

2.2.1. Глубокие нейронные сети

Нейронную сеть и, в частности, DNN можно рассматривать как функцию, которая отображает входной вектор в выходной вектор. Отображение параметризуется весами, которые оптимизируются в процессе обучения. В отличие от неглубоких сетей, которые имеют только один скрытый слой и только несколько скрытых нейронов на слой, DNN содержат множество скрытых слоев с большим количеством нейронов.DNN может иметь тысячи нейронов в каждом слое (Cireşan et al., 2012b), что в отличие от традиционных искусственных нейронных сетей, в которых используется только небольшое количество нейронов. Теперь цель состоит не в том, чтобы просто изучить основную информацию, а в том, чтобы зафиксировать все возможные аспекты входной информации.

Нейрон можно рассматривать как абстрактную особенность с определенным значением активации, которое представляет наличие этой особенности. Нейрон создается из нейронов предыдущего слоя, то есть активация нейрона рассчитывается на основе активации нейронов одним слоем ниже.Первый слой — это «входной слой», в котором активации нейронов устанавливаются равными значению входного вектора. Последний слой — это «выходной слой», где активации представляют выходной вектор. Промежуточные слои — это «скрытые слои», которые дают промежуточные представления входного вектора.

На рисунке 5 показано отображение нейронной сети входного вектора в выходной вектор. Соединение описывается вектором его входных признаков x . Нейронная сеть NN преобразует входной вектор x в выходной вектор y .Значение активации hjl нейрона j в слое l нейронной сети вычисляется как взвешенная сумма значений hil-1 всех нейронов i в слое ( l -1), за которым следует Применение функции активации f . Вес wjil масштабирует активацию hil-1 нейрона – в слое (–1–1) до его суммирования для вычисления активации нейрона – в слое –1. Если нейронная сеть имеет м слоев, то формулы будут

y = NN (x), h0 = x, hjl = f (∑i wjil hil − 1), y = hm.

В матричной записи активация нейронов равна

Выходной слой часто имеет специальную функцию активации, которая обозначена σ вместо f на рисунке 5. Каждый нейрон имеет вес смещения (т. Е. Постоянное смещение), который добавляется к взвешенной сумме для вычисления активации. нейрона. Чтобы не загромождать нотацию, эти веса смещения не записываются явно, хотя они являются параметрами модели, как и другие веса.

Рисунок 5.Схематическое изображение DNN .

2.2.2. Ключевые методы для глубоких нейронных сетей

Недавние алгоритмические улучшения в обучении DNN позволили добиться успеха Deep Learning: (1) «исправленные линейные единицы» (ReLUs) усиливают разреженные представления и противодействуют исчезающему градиенту, (2) «выпадение» для регуляризации и (3) перекрестное цель энтропии в сочетании с softmax или сигмовидной активацией.

Одним из наиболее успешных изобретений в контексте DNN являются выпрямленные линейные блоки (ReLU) в качестве функций активации (Nair and Hinton, 2010; Glorot et al., 2011). ReLU f является тождеством для положительных значений и нуля в противном случае. Эта функция активации называется «функцией линейного изменения»:

Использование ReLU в DNN приводит к разреженным входным представлениям, которые устойчивы к шуму и выгодны для классификаторов, поскольку классификация с большей вероятностью будет проще в пространствах более высокой размерности (Ranzato et al., 2008). Вероятно, наиболее важным преимуществом ReLU является то, что они являются средством от исчезающего градиента (Hochreiter, 1991; Hochreiter et al., 2000), от которого страдают сети с функциями сигмовидной активации и многими уровнями. «Исчезновение» в этом контексте означает, что длина градиента экспоненциально уменьшается при распространении через слои, в конечном итоге становясь слишком малой для обучения на нижних (/ est) уровнях. Другим подходящим методом является «выпадение», которое представляет собой одну из новых схем регуляризации, которая возникла с появлением DNN для предотвращения переобучения — серьезной проблемы для DNN, поскольку количество скрытых нейронов велико и сложность класса модели очень высокий.Выпадение позволяет избежать коадаптации единиц путем случайного отбрасывания единиц во время обучения, то есть установки их активаций и производных на ноль (Hinton et al., 2012; Srivastava et al., 2014). Третий метод, проложивший путь к успеху DNN, — это применение функций ошибок, таких как кросс-энтропия и логистические потери, в качестве целей, которые необходимо минимизировать. Эти функции ошибок сочетаются с функциями softmax или сигмовидной активации в выходных нейронах.

2.2.3. Изучение DNN, цель и оптимизация

Цель обучения нейронной сети — настроить веса сети так, чтобы отображение ввода-вывода имело высокую предсказательную силу для будущих данных.Мы хотим объяснить данные обучения, то есть приблизить отображение ввода-вывода на данных обучения. Поэтому наша цель — минимизировать ошибку между предсказанными и известными выходными данными для этих данных. Обучающие данные состоят из выходного вектора t для входного вектора x , где входной вектор представлен с использованием химических признаков d , а длина выходного вектора составляет n , количество задач. Рассмотрим задачу классификации .Для классификации выходной компонент t k для задачи k является двоичным, то есть t k ∈ {0, 1}. В случае прогнозирования токсичности задачи представляют различные токсические эффекты, где ноль означает отсутствие, а один — наличие токсического эффекта. Нейронная сеть предсказывает выходные данные y k . В выходном слое нейронной сети используется сигмовидная функция активации.Следовательно, нейронная сеть предсказывает выходные данные y k , которые находятся между 0 и 1, и данные обучения прекрасно объясняются, если для всех обучающих примеров все выходные данные k предсказываются правильно, то есть y к = т к . Для наказания несовпадающих пар выход-цель определяется функция ошибок или цель. Сведение к минимуму этой функции ошибок означает лучшее согласование сетевых выходов и целей.Как правило, перекрестная энтропия используется как функция ошибок для мультиклассовой классификации. В нашем случае мы имеем дело с многозадачной классификацией , где несколько выходов могут быть одним (несколько различных токсических эффектов для одного соединения) или ни один не может быть одним (токсический эффект отсутствует). Для многозадачной настройки мы используем функцию логистической ошибки — t k log ( y k ) — (1 — t k ) log (1 — y k ) для каждого компонента вывода k .Если t k = y k , то появляются только члены (1log1) или (0log0), а функция логистической ошибки равна нулю (обратите внимание, что (0log0) определяется как ноль) . В противном случае функция логистической ошибки дает положительное значение. Общая функция ошибок — это сумма этих функций логистических ошибок по всем компонентам вывода:

— ∑k = 1n tk log (yk) + (1 − tk) log (1 − yk).

No related posts.

Добавить комментарий