综述：贝叶斯网络与不良结局通路网络的关联及其在药物毒性预测中的应用

这篇综述系统探讨了不良结局通路(AOP)网络与贝叶斯网络(BN)在数学结构上的同源性，通过肝毒性预测案例验证了整合马尔可夫毯(Markov blanket)等BN特性可显著优化模型效率，为基于体外(in vitro)检测的毒性预测提供了创新方法论框架。

　　

引言

传统动物实验在药物和环境化学物毒性评估中仍被视为金标准，但其预测人类毒性的局限性日益凸显。体外(in vitro)检测因直接锚定人类生物学机制而展现出显著优势，符合减少动物使用的社会需求。如何构建高效预测模型成为关键挑战，而整合不良结局通路(AOP)框架与贝叶斯网络(BN)建模展现出独特潜力。

AOP与AOP网络

AOP是描述生物组织层级间因果连锁事件的框架，通过分子起始事件(MIE)→关键事件(KE)→不良结局(AO)的链条整合机制知识。其网络化的有向无环图(DAG)结构与BN拓扑高度相似，但数学同源性尚未实证。

贝叶斯网络

BN通过DAG表达变量间的概率依赖关系，其核心特性包括：

1. 马尔可夫毯：目标节点的最小隔离集，可大幅简化推理计算
2. d-分离：判断变量间条件独立性的图形准则
   这些特性在AOP网络建模中未被充分挖掘，导致模型冗余。

药物肝毒性预测案例

以FDA肝毒性知识库(LTKB)数据验证AOP-BN整合模型的效能：

1. 构建DILI相关AOP网络，涵盖氧化应激、线粒体功能障碍等关键通路
2. 引入BN的马尔可夫毯特性后，模型节点减少40%而预测准确率提升15%
3. 基因表达数据(L1000项目)验证显示，优化模型对药物肝毒性的AUROC达0.89

讨论

实证表明AOP网络完全满足BN的数学假设，整合BN特性可实现：

• 模型复杂度降低：通过d-分离剔除冗余节点
• 计算效率提升：马尔可夫毯实现局部推理
• 机制可解释性增强：保留核心生物标志物如CYP450酶活性指标

该框架为替代动物实验提供了方法论突破，未来需在跨器官毒性预测中进一步验证。数据来源于FDA公共平台，确保研究可重复性。