跳到主要内容
检索

# 毒性预测

2 篇关联报道

订阅更新
  1. bioRxiv

    基于图的QSAR建模流程:预测体外PubChem检测与体内人体肝毒性及Caspase-3/7激活机制分析

    该研究构建了一套基于图的QSAR建模流程,整合检测数据预处理、指纹与分子图特征表示,并基准测试经典机器学习、图神经网络、图变换器及其共识集成,用于预测Caspase-3/7激活、线粒体膜电位破坏和FDA药物性肝损伤,其中在DILI预测上Graphormer取得最高F1 0.79、全共识模型取得最高AUC 0.69,超过此前最佳模型的AUC 0.63与F1 0.65,并通过片段富集分析识别出与双重激活及细胞系特异性反应相关的结构基序。

  2. Archives of Toxicology

    人工智能在毒理学中的应用:当前进展、挑战与未来方向

    这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus(2000-2026年)并补充OECD、FDA、EMA、EFSA和EPA的指导文件,梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展,指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能,同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险,结论是AI模型可增强但尚不能替代实验毒理学。

已读完全部报道