跳到正文
原文
生物谷·资讯·· 25 天前AI 评分60

vToxiNet知识驱动AI框架同步实现肝毒性风险预判与机制溯源

肝毒性黑盒难题被打破!Journal of Hazardous Materials:知识驱动AI同步实现风险预判与机制溯源

AI 导读

美国多所高校联合团队在Journal of Hazardous Materials发表研究,开发了vToxiNet生物学约束深度学习框架。该框架整合多类毒理数据,可同时完成肝毒性风险判断与损伤机制溯源。

正文

来源:生物谷原创 2026-10-26 17:06

科研人员搭建vToxiNet生物学约束深度学习框架,整合多类毒理数据预判肝毒性,解析基因通路层面损伤根源,为化学品安全评价提供新手段。

肝脏负责人体内绝大多数外源物质代谢解毒,也是药物、化学毒物最容易攻击的靶器官。

新药研发中,不少候选分子早期实验表现优异,却因肝毒性在临床试验阶段宣告失败。部分上市药物,也会因严重肝损伤不良反应被迫退市。

传统毒理评估存在明显短板。体外细胞实验仅能覆盖少量毒性通路,难以还原肝脏复杂损伤过程。动物实验成本高、周期长,人与动物代谢生理存在差异,实验结果向人体外推存在局限,同时还要兼顾动物伦理。

监管机构正积极推动新型替代评估方案,结合人源实验、组学数据与计算工具开展安全评价。但现有多数计算模型仅依靠分子结构,只能输出毒性结果,无法解释肝脏损伤如何发生,难以支撑深度毒理研究。针对这一痛点,美国多所高校联合团队开展研究,成果发表于Journal of Hazardous Materials。

研究开发vToxiNet虚拟毒性网络,将Reactome真实生物学通路关系嵌入模型。融合分子结构、高通量筛选、转录组多维度数据构建虚拟不良结局通路网络,一套工具同时完成肝毒性风险判断与损伤机制溯源。研究整合多套公开毒理数据库,依托药物肝损伤相关基因、通路注释完成模型搭建与多轮验证。

交叉验证与内部测试显示,vToxiNet肝毒性判别性能良好。五折交叉验证受试者工作特征曲线下面积0.68,保留测试集可达0.74,整体优于传统机器学习对照模型。对照实验证实,模型优势来自内置生物学网络,并非数据偶然关联。

图1. 可解释的知识驱动深度学习建模框架

借助逐层相关性传播算法,可回溯模型判断逻辑,量化基因、信号通路对肝损伤的贡献,定位关键靶点。研究筛选出CTNNB1、STAT3、SLCO1B1等关键基因,参与肝细胞再生、药物转运、内质网应激等过程。细胞刺激应答、物质代谢、固有免疫应答是化学物致肝损伤核心通路,KEAP1‑NFE2L2氧化应激通路在肝脏抗毒物损伤中起到重要作用。

图2. 肝毒性潜在基因与通路生物标志物的筛选

外部独立数据集测试中,模型受试者工作特征曲线下面积为0.59。提高判定阈值,仍可保持较高预测准确度。对不同骨架化合物分析发现,该工具不只是输出毒性标签,还可以识别分子对应的核心损伤事件,解析结构相近化合物共有的毒理特征。

图3. 外部数据集化合物的模型预测结果

该研究实现毒性预测与机制解析一体化,把不良结局通路理论转化为可落地的计算工具。能够帮助科研人员快速筛选高风险化学品,降低毒理实验对动物的依赖,为药物、环境污染物的机制导向安全评估提供可行思路。(生物谷Bioon.com)

参考文献:

Jia X, Wang T, Russo DP, Aleksunes LM, Xiao S, Zhu H. vToxiNet: An interpretable deep learning framework for hepatotoxicity prediction and mechanism exploration. J Hazard Mater. Published online October 12, 2026. doi:10.1016/j.jhazmat.2026.143880

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->

来源:生物谷·资讯 · news.bioon.com