基于动物实验的传统毒理学研究耗时低效，难以满足海量化学品的生态风险筛查现实需求。定量构效关系（QSAR）、体外高通量筛选（HTS）和有害结局路径（AOP）等毒理学新方法（NAMs）为实现化学品毒性快速筛查提供了可能。利用NAMs实现污染物毒理学预测，是目前全球生态毒理研究热点。

论文基于跨物种保守的毒性通路构建大型溞AOP网络的QSAR预测框架，整合HTS数据，建立近7000种化学品多域数据集，开发Domain-Cross MLP深度学习模型，建立24个毒性事件多目标预测模型，将体外HTS活性数据转化为可能的体内毒性预测，建立了从分子扰动到个体有害结局的机制性毒性风险排序。

图：论文研究思路示意图

论文是“AI for Science”在生态毒理学领域的尝试：减少动物实验，构建毒性预测系统，实现化学品毒性通路事件、毒性机制、有害结局风险快捷预测，为化学品生态风险精准管控提供科学与技术支持。

成果发表在环境领域头部期刊Environmental Science and Technology。论文第一作者为我院倪宏刚教授课题组博士生杨雨婷。研究受到国家自然科学基金资助（No. 42577299）。

原文链接：https://doi.org/10.1021/acs.est.6c06646