将 ScienceAI 设为星标

第一时间掌握

新鲜的 AI for Science 资讯

编辑丨%

于化学领域，多物种急性毒性评估构成了化学品分类、标签和风险管理的基础。传统机器学习模型常因人类毒性数据稀缺（部分端点仅 140 条可用数据）陷入预测困境。

天津大学等联合团队针对传统模型的使用缺陷，开发了最新的条件急性毒性评估（ToxACoL）框架，通过端点关联图建模 + 伴随双向学习的方式，实现毒性的评估。

该研究以「ToxACoL: an endpoint-aware and task-focused compound representation learning paradigm for acute toxicity assessment」为题，于 2025 年 7 月 1 日刊登于《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-025-60989-7

毒性评估方法

据统计，全球每年新增 10 万种化学品，但毒性评估面临数据失衡、跨物种实验偏差等现实困境。

为了解决模型预测中化合物繁多的种类与目标终点数据稀缺问题，研究者提出了一种机器学习范式——伴随相关性学习（Adjoint Correlation Learning），用于化合物的多物种急性毒性评估，将其命名为 ToxACoL。

基于公开的急性毒性数据，ToxACoL 利用图拓扑建模多条件终点的关系，并引入伴随相关机制，以并行处理与整合信息。

通过学习终点之间的关系，ToxACoL 显著提高了数据稀缺终点的预测准确性，与最先进的方法相比，将人类、女性、男性的口服最低中毒剂量 TDLo 预测性能分别提高 56%、87%和 43%，并将稀疏终点所需的训练数据减少了约 70%-80%。

图 1：ToxACoL 的高层次概述。

成果叙述

前文中已叙述，通过引入伴随相关机制，ToxACoL 得以并行学习多条件标签和多类型样本信息，并在多条件急性毒性评估中取得了良好的性能。

通过皮尔逊相关系数（PCC），团队基于「当共有的化合物数量超过一定阈值且它们的毒性测量值高度相关时，认为这两个终点是相关」的推断，构建了急性毒性终点图，节点代表毒性终点，边缘代表依赖关系。

最后利用图卷积网络（GCN）传播端点关联信息，多个伴随相关层可以依次级联。

在 5 折交叉验证上，ToxACoL 与其他现有的模型进行了比较。ToxACoL 实现了平均 R² 为 0.5843，平均 RMSE 为 0.6396，超过了之前表现最好的算法（DLCA）。

图 2：59 端点数据集上多条件急性毒性估计的性能比较。

为了应对现实世界里的化合物毒性评估，ToxACoL 需要在处理数据稀缺端点方面（尤其是与人类有关）展示它的性能与效率。

在此前提到过的三类 TDLo 端点评估中，ToxACoL 在三个终点上分别达到了 0.50、0.43 和 0.40 的 R²；在 21 个随机削减至某一特定比例的小型终点训练里，ToxACoL 只需要使用其他方法训练测量数据的 20%–30% 的小规模终点数据，就能达到最先进的方法之前的最佳性能。

更多 ToxACoL 的性能表现与其对于化合物分子结构的可视化表现，此处不做过多赘述。

成果斐然的评估方法

为了让更多研究人员能直接使用预训练后的 ToxACoL，团队将其集成到了线上网页平台，此平台还提供化学物质的预测 GHS 分类。团队相信这个平台可以为验证过程提供新的途径，并希望成为监管应用中的一项有用资源。

线上平台链接：https://toxacol.bioinforai.tech/

该项成果的进步在于，其能从化合物数据和毒性终点同步双向学习，开发了反向相关机制，同时处理化合物和终点嵌入。

ToxACoL 的有效性和应用价值已经通过全面的多终点性能评估、稀有物种终点的性能提升、物种外推模式探索等多重实验场景验证，展示了其在处理不平衡多任务数据集方面的稳健性。

团队表示，未来的工作里，ToxACoL 将会继续扩展以适应更广泛的急性毒性任务，甚至包括其他化学相关的任务。