《Computational Biology and Chemistry》：Advances in Artificial Intelligence for Predictive Toxicology: From QSAR and Omics Integration to Clinical Safety Translation
编辑推荐：
普拉纳伊·沃尔（Pranay Wal）|乔特萨纳·德维迪（Jyotsana Dwivedi）|卡妮卡·潘迪（Kanika Pandey）|克里希纳·库马尔·夏尔马（Krishana Kumar Sharma）|莫希特·蒂瓦里（Mohit Tiwari）|Md 萨吉德·阿里（Md
普拉纳伊·沃尔（Pranay Wal）|乔特萨纳·德维迪（Jyotsana Dwivedi）|卡妮卡·潘迪（Kanika Pandey）|克里希纳·库马尔·夏尔马（Krishana Kumar Sharma）|莫希特·蒂瓦里（Mohit Tiwari）|Md 萨吉德·阿里（Md Sajid Ali）|阿比达·汗（Abida Khan）|阿明·加斯米（Amin Gasmi）
PSIT- 普兰维尔·辛格理工学院（药学专业），坎普尔，印度
摘要
在药物发现中运用预测性毒理学策略的好处在于能够预测可能的早期副作用。常用方法可以在体外或体内进行，但这些方法耗时较长、成本较高，并且与人体反应的关联性往往较差。临床试验中由于意外出现脱靶毒性而导致的高失败率使得药物发现工作变得复杂，因此需要改进相关模型。机器学习（ML）、深度学习（DL）和人工智能（AI）正在被用来重新定义预测性毒理学。借助AI技术，我们可以更高效地挖掘大数据并揭示复杂的关联，从而更容易解决安全性问题，并在更广泛的生物平台上进行毒性研究。在本综述中，我们重点讨论了AI在药物安全性评估、疗效预测以及临床转化中的应用。本文阐述了AI模型如何应用于早期毒性检测、不良药物反应（ADR）预测以及开发更安全的药物。预计可解释的AI（XAI）的引入可以提高模型的透明度和可信度。此外，数字孪生技术和计算机模拟人体模型的发展可以改变监管方式，减少对传统动物实验的依赖，同时仍可实现药物发现的个性化。
字数：13,461字（不包括参考文献。)
引言
药物发现和安全性测试是药物开发过程中风险最高的阶段，与毒性相关的失败仍是导致后期项目失败和研发成本增加的主要原因（Kant等人，2025年）。传统的体外和动物模型提供了重要的安全性信息；然而，它们在预测某些仅限于人类的不良反应方面存在局限性（Ajisafe等人，2025年）。计算毒理学作为一种补充方法应运而生，定量结构-活性关系（QSAR）理论被用来利用化学描述符预测分子毒性（Seal等人，2025年）。
目前，人工智能（AI），特别是机器学习（ML）和深度学习（DL），极大地扩展了计算机模拟毒理学的应用范围。与传统的QSAR方法相比，AI模型能够识别大型数据集中的非线性及复杂关系。这些模型涵盖的高维数据来源包括组学数据、高通量筛选（HCS）结果、电子健康记录（EHRs）以及真实世界中的药物警戒数据。通过结合异构的生物和化学数据，基于AI的模型有助于识别风险、生成机制假设并进行早期风险分层（Lee等人，2025a）。
本综述全面而综合地探讨了人工智能在预测性毒理学中的应用，涉及监管问题、转化研究的可靠性、数据质量问题以及未来实施面临的挑战。文章系统地阐述了传统QSAR建模方法如何发展到当前基于AI的多组学整合和临床相关安全性转化范式。其中，跨物种外推（read-across）和RASAR方法因其在解释性和预测能力之间的平衡能力而受到越来越多的关注。
部分摘录
监督学习
随机森林（RF）： 随机森林是一种集成学习技术，在训练过程中生成多棵决策树，用于分类任务的类别判定（Guo等人，2023a）。
支持向量机（SVM）： SVM在高维空间中表现尤为有效，且由于其决策函数可以指定多种核函数而具有灵活性（Yusri等人，2022年）。
XGBoost： XGBoost因其高效性而在预测性毒理学中得到广泛应用。
人工智能驱动的预测性毒理学中的软件工具和计算平台
基于前述技术，AI在预测性毒理学和药物安全性评估中的应用涵盖了多个领域。表3总结了常用的基于AI的预测性毒理学计算程序。
AI在药物安全性评估中的应用
基于AI的药物安全性评估已经得到广泛认可，可通过计算机模拟毒性预测来完成。本文介绍了AI在药物安全性评估中的三种应用：（1）用于早期筛选的AI-QSAR模型；（2）辅助PBPK模型用于器官暴露评估；（3）网络模型用于预测药物相互作用（DDIs）。
AI在疗效预测中的应用
AI技术将通过新的目标识别和验证方法改进药物发现中的疗效预测。例如，利用疾病网络信息结合基因组关联研究（GWAS）等遗传证据来预测目标，有助于开发更安全、更有效的药物。
疾病网络分析： 疾病网络分析旨在理解与疾病相关的各种基因、蛋白质和生物途径之间的相互作用和关系。
当前的人工智能在毒理学中的监管趋势和临床安全性转化
传统的QSAR模型一直是预测性毒理学和风险评估的基础。这些模型基于化学结构决定化合物生物活性的假设，并使用易于解释的分子描述符来表征明确的物理化学、电子、空间和拓扑属性。 já existem diretrizes regulatórias para modelos QSAR
基于AI的安全性评估面临的挑战和限制
尽管在基于AI的安全性评估方面取得了进展，但仍有若干限制影响了模型的性能和实际应用：常用作为预测性毒理学基准的数据集（如Tox21和TG-GATES）存在类别不平衡、化学偏见以及与人体相关性不足的问题。这些限制限制了模型对高发但罕见毒性的泛化能力和敏感性（
- •
计算建模和人工智能领域的新兴趋势包括多尺度模型、可解释的AI（XAI）、联邦学习、量子机器学习以及数字孪生技术。这些技术在研究、工业和医疗健康领域具有革命性潜力。未来，人工智能在毒理学中的应用可能会具备以下特点：
- •
在短期内（3-5年内），将会出现联邦学习环境的概念
结论
人工智能在预测性毒理学中的应用已超越了传统的QSAR和PBPK建模范畴，扩展到了深度学习、基于图的神经网络以及混合方法。这些方法可以通过更早地预测毒性、利用组合组学数据对患者进行分层，从而减少对实验平台（如器官芯片/微生理系统）的依赖。
CRediT作者贡献声明
阿比达·汗（Abida Khan）： 资料撰写——初稿。 Md 萨吉德·阿里（Md Sajid Ali）： 审稿与编辑。 阿明·加斯米（Amin Gasmi）： 资源协调。 卡妮卡·潘迪（Kanika Pandey）： 资料撰写——初稿。 乔特萨纳·德维迪（Jyotsana Dwivedi）： 概念构思。 莫希特·蒂瓦里（Mohit Tiwari）： 验证。 克里希纳·库马尔·夏尔马（Krishana Kumar Sharma）： 资料撰写——初稿。 普拉纳伊·沃尔（Pranay Wal）： 方法论设计。
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
无声明
所有作者均已确认对手稿内容的负责，并同意提交。他们仔细审查了所有结果，并一致通过了最终版本的手稿。
