活性氧（ROS）和活性氮物种（RNS）是有氧代谢的天然副产物，在细胞信号传导、免疫反应和稳态等多种生理过程中起着关键作用（Mamun等人，2022年；Shankar Abhijith等人，2024年）。然而，这些活性物种的过度产生会导致氧化应激，从而损害细胞大分子，包括脂质、蛋白质和核酸（Mamun等人，2022年；Shankar Abhijith等人，2024年）。氧化应激已被证实与许多慢性疾病和退行性疾病（如阿尔茨海默病、帕金森病、糖尿病、心血管疾病、炎症和癌症）的发病机制有关（Bhattacharyya等人，2014年；Dash等人，2024年）。人体具有由酶（超氧化物歧化酶、过氧化氢酶、谷胱甘肽过氧化物酶）和非酶抗氧化剂（维生素C、维生素E、类胡萝卜素、黄酮类和多酚）组成的内在防御系统，它们共同中和自由基（Bhattacharyya等人，2014年；Dash等人，2024年）。尽管如此，在严重氧化负荷或抗氧化能力下降的情况下，补充外源性抗氧化剂对于恢复氧化还原平衡和防止细胞损伤至关重要（Bhattacharyya等人，2014年；García-Sánchez等人，2020年）。
抗氧化剂是通过直接清除自由基或间接增强内源性抗氧化机制来延缓、预防或减轻氧化损伤的物质（Gulcin，2020年；Gulcin，2025年）。它们可以通过多种机制发挥作用，包括氢原子转移、单电子转移、金属离子螯合和活性氧物种淬灭（Gulcin，2020年；Gulcin，2025年）。天然抗氧化剂主要来源于植物、水果和蔬菜，由于其安全性、生物相容性和多方面的生物学效应而受到广泛关注（Gulcin，2020年；Gulcin，2025年）。多酚类化合物如黄酮类、酚酸、单宁和木脂素表现出强大的抗氧化、抗炎和神经保护作用（Ben Alaya等人，2024年；Intharuksa等人，2023年；Pandey & Rizvi，2009年）。相比之下，合成抗氧化剂如丁基化羟基甲苯（BHT）、丁基化羟基茴香醚（BHA）和叔丁基对苯二酚（TBHQ）在食品和制药工业中得到广泛应用；然而，长期使用这些物质可能与潜在的毒性和致癌性相关，因此人们正在寻找更安全、更有效的替代品（Esazadeh等人，2024年；Ren等人，2024年；Xu等人，2021年）。
最近在抗氧化剂发现方面的研究转向了寻找具有强自由基清除潜力、稳定性和良好药代动力学特性的新分子。传统的抗氧化剂筛选方法（如DPPH、ABTS、FRAP、ORAC和脂质过氧化实验）虽然有价值，但耗时、资源密集，并且往往缺乏机制上的洞察（Surveswaran等人，2006年；Xiao等人，2020年）。此外，潜在抗氧化化合物的巨大化学多样性使得全面的实验测试不切实际（Surveswaran等人，2006年；Xiao等人，2020年）。在这种情况下，基于计算和化学信息学的策略作为强大的补充工具出现，可以在实验验证之前预测、合理化和优化抗氧化活性。这些方法不仅加速了发现过程，还减少了传统测试所需的成本和动物实验。
利用计算化学合理设计抗氧化剂整合了分子建模、量子化学计算和统计学习方法，以建立化学结构与抗氧化效能之间的关系（Wang等人，2024年）。常用的参数包括键解离焓（BDE）、电离势（IP）、电子亲和力（EA）和自旋密度，用于描述分子水平的自由基清除机制（Kaur & Mandal，2025年）。此外，结构-活性关系（SAR）分析有助于识别决定抗氧化性能的结构片段或物理化学性质（Wang等人，2024年）。大型化学和生物数据库的日益丰富，加上人工智能（AI）和机器学习（ML）的进步，彻底改变了计算机模拟抗氧化剂预测的能力，使研究人员能够开发出能够在不同化学空间中泛化的预测模型（Kumar & Roy，2025年）。
计算工具的整合也有助于探索多靶点抗氧化策略，特别是在阿尔茨海默病和帕金森病等疾病中，氧化应激与其他病理因素（如蛋白质聚集和线粒体功能障碍）共同作用（Ghosh等人，2025年；Rocca，2025年）。通过结合化学信息学、分子对接和网络药理学，研究人员可以识别同时具有抗氧化和疾病修饰特性的多功能化合物（Ghosh等人，2025年；Rocca，2025年）。因此，现代抗氧化剂研究范式超越了简单的自由基清除，涵盖了系统层面的相互作用和预测建模，这与精准医学和合理药物设计的目标一致（Ghosh等人，2025年；Rocca，2025年）。
尽管取得了进展，但在将计算预测转化为可靠的生物学结果方面仍存在挑战（Ghosh等人，2025年；Rocca，2025年）。化合物的抗氧化潜力不仅由其化学结构决定，还取决于其代谢稳定性、生物利用度和与细胞氧化还原系统的相互作用（Ghosh等人，2025年；Rocca，2025年）。因此，结合实验和计算方法的综合方法是进行稳健验证和机制解释的关键（Ghosh等人，2025年）。体外实验、计算机模拟和系统级分析的协同应用为加速发现安全有效的抗氧化剂用于治疗和营养保健应用提供了有希望的途径（Ghosh等人，2025年）。
计算技术如定量结构-活性关系（QSAR）、跨结构结构-活性关系（RASAR）和机器学习（ML）显著推进了抗氧化性质的预测和评估（Banerjee等人，2025年）。QSAR建模将电子、拓扑和物理化学参数等化学结构描述符与抗氧化活性定量关联起来，从而识别出决定反应性的关键分子特征（Banerjee等人，2025年）。这些模型一旦得到验证，就可以预测未测试化合物的抗氧化潜力，从而减少实验工作量。跨结构方法是一种广泛接受的方法，它基于结构相似的类似物的数据来推断未测试化合物的性质（Banerjee等人，2022年）。它提供定性/定量预测，常用于监管毒理学和安全性评估（Banerjee等人，2022年）。RASAR框架结合了QSAR的统计严谨性和跨结构方法的解释性，使得预测更加准确、透明和基于机制（Banerjee & Roy，2022年）。RASAR模型利用结构相似性和实验数据趋势来提高预测信心，特别是在数据有限的情况下（Banerjee & Roy，2022年）。机器学习通过使用随机森林（Breiman，2001年）、支持向量机（Cortes & Vapnik，1995年）和深度神经网络（Larochelle等人，2009年）等算法，进一步强化了这些计算范式，揭示了分子描述符与抗氧化活性之间的复杂非线性关系。基于ML的模型可以处理高维数据、进行特征选择并整合多源数据集，从而提高预测的可靠性和泛化能力（Banerjee等人，2025年）。总体而言，这些计算技术形成了一个强大的框架，用于虚拟筛选、机制阐明和新型抗氧化剂的合理设计，以提高其效能和安全性。在过去十年中，进行了大量计算研究来预测和理解各种化学化合物的抗氧化潜力。值得注意的贡献包括Mitra等人（2012年）、De等人（2017年）、Elbouhi等人（2024年）、Mateus和Abreu（2025年）以及Ghironi等人（2025年）的工作。这些研究采用了多种计算方法，如2D-QSAR、3D-QSAR建模、分子对接和基于机器学习的预测，以阐明结构-活性关系并识别抗氧化效能的关键分子决定因素。这些综合研究显著推动了该领域的发展，为抗氧化剂作用的机制基础提供了宝贵见解，并为未来的多靶点抗氧化剂和药物发现研究奠定了坚实的基础。
在这项研究中，我们首先开发了一个2D-QSPR模型，通过估算小分子的半最大抑制浓度（IC
50）值来定量预测其抗氧化潜力。随后，我们使用线性回归（LR）算法采用了q-RASPR方法，同时保持了QSPR建模中使用的相同训练和测试集。本研究的主要目标是通过整合基于相似性的q-RASPR策略来提高模型的预测准确性。此外，使用三个独立的外部数据集（De等人，2017年；Mateus & Abreu，2025年；Mitra等人，2012年）评估了所开发的q-RASPR模型的稳健性和可靠性，显示出一致的预测性能。这些结果共同强调了q-RASPR框架作为一种强大且多功能的方法的潜力，可用于开发集成分子相似性、描述符信息和机制解释性的先进预测模型，从而促进多靶点抗氧化研究和合理化合物优先级排序。经过验证的单变量q-RASPR模型进一步用于预测食品数据库（FooDB）（可从：
https://foodb.ca/）中化合物的抗氧化潜力，以实现数据填补和虚拟筛选目的。
