Multiscale-Information-Embedded Universal Toxicity Prediction Framework

doi:10.1021/acs.est.5c04614

Multiscale-Information-Embedded Universal Toxicity Prediction Framework

2025-09-25

0

PRE

AI

DOI：10.1021/acs.est.5c04614

原文链接

原文求助

摘要

En 中文

工业化学品及其释放的环境污染物的危害识别和标签化对于减轻生态和健康风险至关重要。对多种毒性终点进行综合评估对于全面表征化学危害是必不可少的。现有的基于深度学习的毒性预测模型通常表现出较差的泛化能力，尤其是在数据稀疏的罕见毒性方面。大多数研究未能捕捉化学品的三个维度（3D）空间构型和立体化学性质，以及终点之间的相互关联性，从而阻碍了毒性特征的准确描述。在此，我们提出ToxScan，一种SE(3)-equivariant多尺度模型，作为通用的毒性预测框架来解决这些问题。它通过两级的分子和原子表示学习协议来整合3D几何信息。采用并行多尺度建模和迁移学习方案来学习通用的毒理学特征。结果表明，ToxScan在中等/小规模终点上较当前最佳模型实现了7.8–37.6%的提升，展示了区分结构类似但毒性相反的化合物的能力，并保持了针对环境污染物的一般化能力。原子和分子层面的可解释性分析揭示了可识别的原子相互作用模式和潜在的结构警示。案例研究揭示了其检测细微结构决定因素的能力，同时阐明了污染物的机制。为方便用户使用，我们提供了一个直观的网页平台（https://funmg.dp.tech/Toxscan）用于快速预测新化合物的多种毒性终点。

Multiscale-Information-Embedded Universal Toxicity Prediction Framework

摘要

期刊

机构

引用论文