@phdthesis{Hasler2019,
  type      = {Master Thesis},
  author    = {Robert Hasler},
  title     = {Auf dem Weg zur pr{\"a}dikativen (Eco-) Toxikologie : Datenintegration und Anwendung k{\"u}nstlicher Intelligenz auf Chemikaliendaten},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:mit1-opus4-114620},
  year      = {2019},
  abstract  = {Durch verschiedene Industriezweige gelangen viele Chemiaklien in die Umwelt und lagern sich dort an. Dabei haben viele dieser Chemikalien f{\"u}r die Umwelt und den Menschen sch{\"a}dliche Nebenwirkungen. Diese sind einerseits von der Exposition der Substanzen und andernseits von Effekten auf den biologischen Kreislauf abh{\"a}ngig. Um die genauen Auswirkungen dieser Verbindungen beurteilen zu k{\"o}nnen, ist es jedoch wichtig beide Bereiche zu betrachten. Im Rahmen dieser Arbeit wurde deswegen ein Ansatz entwickelt,mit dem die Daten der Exposition und die Daten der Auswirkungen mit einander verkn{\"u}pft werden k{\"o}nnen. Dazu wurden zuerst Chemikalien f{\"u}r die Expositionsdaten und Chemikalien f{\"u}r die Wirkungsdaten bereitstehen aus {\"o}ffentlich zug{\"a}nglichen Datenbanken gesammelt. Mit Hilfe der Wirkungsdaten wurden anschlie{\"s}end Neuronale Netze trainiert. Es konnte gezeigt werden, dass mittels dieser Modelle die Auswirkungen auf Umwelt und Mensch f{\"u}r die Expositionschemikalien vorhergesagt werden kann. Zudem wurden in mehreren Chemical Similarity Maps gezeigt, dass sich verschiedene Chemikaliencluster bilden, welche {\"a}hnliche chemische Eigenschaften besitzen. Dadurch k{\"o}nnte es m{\"o}glich sein anhand der chemischen {\"A}hnlichkeite bestimmte Wirkungsdaten f{\"u}r chemische Stoffe vorherzusagen.},
  language  = {de}
}