基于增强的指纹技术和SHAP（Shapley Value）特征选择的解释性QSAR（Quantitative Structure-Activity Relationship）建模，用于免疫毒性预测

《SAR and QSAR in Environmental Research》：Interpretable QSAR modelling for immunotoxicity prediction using enhanced fingerprint and SHAP-based feature selection

准确预测免疫毒性对化学安全和药物开发至关重要，本研究通过可解释的QSAR模型结合三种人免疫细胞（Jurkat、PBMC、THP-1）的IC50数据，采用树模型算法和特征选择技术识别关键分子结构，利用SHAP方法增强模型可解释性，揭示了免疫毒性机制并验证了整合细胞特异性数据和可解释模型可显著提升预测可靠性，支持早期识别危险化学品并优化设计。

　　

摘要

准确预测免疫毒性效应对于化学安全评估和药物开发至关重要。然而，现有方法受到体外数据稀缺以及免疫反应本身复杂性的限制。本研究提出了一种基于可解释的定量结构-活性关系（QSAR）的建模框架，旨在利用从三种人类免疫细胞系（Jurkat细胞、外周血单核细胞（PBMC）和THP-1细胞）获得的IC₅₀数据来评估免疫抑制毒性。研究采用了三种基于树的机器学习算法，并结合了强大的特征选择技术，以识别与免疫抑制效应相关的关键分子决定因素。通过应用SHapley Additive exPlanations（SHAP）方法提高了模型的可解释性，并有助于提取潜在的结构警示信息，从而为免疫毒性途径提供了机制上的见解。我们的研究结果表明，将免疫细胞特异性实验数据与可解释的建模方法相结合显著提升了免疫毒性预测的可靠性。这一研究建立了一个科学可靠的框架，不仅有助于早期识别具有免疫毒性的化学物质，还能促进更安全的化学物质设计，并为药物开发和毒理学风险评估提供决策支持。