近期，研究人员开发出一款基于深度学习的创新模型，可用于预测化学物质的呼吸毒性。这一突破性研究不仅提高了毒性预测的准确性，还增强了模型的可解释性，为环境健康风险评估提供了重要的科学支持。研究成果表明，该模型能够识别与呼吸毒性相关的关键结构特征，揭示化学物质导致肺部疾病的潜在机制，并有助于制药行业和环境监管机构提前发现潜在有害物质。

呼吸毒性：环境与健康的隐形威胁

化学物质的呼吸毒性问题长期以来备受关注，涉及工业生产、环境污染、药物开发等多个领域。空气污染、化学泄漏以及部分药物的代谢产物均可能对呼吸系统造成严重损害，引发如肺炎、肺水肿、哮喘、支气管痉挛等多种疾病。当前，传统的毒理学实验耗时长、成本高，且可能涉及动物实验伦理问题，因此，利用人工智能技术开发更精准、更高效的计算预测工具，成为科研界和行业的共同需求。

然而，目前大多数计算机预测模型往往基于单一或较为模糊的毒性终点，难以全面评估化学物质的呼吸系统毒性。此外，许多机器学习模型虽然能够实现高效预测，但缺乏可解释性，使得用户难以理解模型的决策逻辑，限制了其实际应用价值。因此，如何构建既精准又可解释的深度学习模型，成为科学家们面临的重要挑战。

深度学习模型：精准预测呼吸毒性

在本研究中，研究人员突破传统方法的局限性，开发了八种专门针对不同呼吸系统疾病的深度学习模型，涵盖肺炎、肺水肿、呼吸道感染、肺栓塞和肺动脉高压、哮喘、支气管痉挛、支气管炎以及肺纤维化等常见疾病。此外，研究团队整合了八个不同呼吸毒性终点的数据，构建了一个全面的呼吸系统预测模型，使得该模型能够提供更广泛的毒性评估。

模型的性能经过严格测试，包括五折交叉验证和外部数据验证，结果显示，所有八个毒性终点的曲线下面积（AUC）和准确率（ACC）均超过0.85，说明模型具备极高的预测能力。

可解释性提升：揭示毒理机制

除了精准预测，该研究的一大亮点在于提升了模型的可解释性。研究团队采用了频率比率方法来识别Klekota-Roth指纹（KRFP）中的关键结构片段，并利用SHAP（Shapley Additive exPlanations）博弈论分析，可视化驱动模型预测的关键特征。这意味着，研究人员不仅能够得出某种化学物质是否具有呼吸毒性，还能识别导致毒性的具体结构特征，进一步揭示潜在的毒理机制。

这种高可解释性的模型为化学家、毒理学家以及监管机构提供了更清晰的风险评估依据。例如，在新药开发过程中，研究人员可以利用该模型识别可能导致呼吸道不良反应的分子结构，从而在早期优化药物设计，减少潜在毒性。同时，环境监管机构也可以借助该模型识别和评估空气污染物或工业化学品的呼吸毒性，为环境治理提供科学决策支持。

推动早期风险评估与污染防治

该研究的成果对环境健康和公共安全具有重要意义。首先，该模型可以支持对潜在有害环境污染物的早期风险评估，帮助政府和企业提前识别高风险化学物质，制定有效的污染防治措施。其次，研究提供了化学结构与呼吸毒性之间的关键关联信息，为绿色化学和毒性降低策略提供了新的思路。

此外，该模型的可解释性优势使其在药物研发和工业生产领域同样具有广阔的应用前景。例如，药物开发公司可以利用该模型评估新分子的安全性，从而减少因毒性问题导致的临床试验失败。化工企业也可以借助该模型优化产品配方，降低有害物质的环境释放风险。

展望未来：AI赋能毒理学，推动绿色发展

此次研究表明，人工智能技术在毒理学领域的应用正不断拓展。未来，研究团队计划进一步优化模型，使其适用于更广泛的化学物质，并整合更多毒理学数据，以提高预测能力。同时，研究人员也希望与监管机构、企业和科研机构合作，将这一技术应用到实际的化学品安全评估和环境健康管理中。

在全球日益关注环境污染和健康风险的背景下，这项研究无疑为呼吸毒性评估提供了一种高效、精准、可解释的新方法，为保护公共健康和推动绿色化学发展提供了有力支持。随着人工智能技术的不断进步，我们有望迎来更安全、可持续的未来。

原始出处：

Li N, Chen Z, Zhang W, Li Y, Huang X, Li X. Web server-based deep learning-driven predictive models for respiratory toxicity of environmental chemicals: Mechanistic insights and interpretability. J Hazard Mater. 2025 Feb 10;489:137575. doi: 10.1016/j.jhazmat.2025.137575. Epub ahead of print. PMID: 39954423.

Tags： J Hazard Mater：基于 Web 服务器的深度学习驱动的环境化学物质呼吸毒性预测模型：机制洞察和可解释性