基于R语言构建的已知结构物质皮肤致敏潜力预测模型及其与商业软件的比较研究

为解决化妆品安全评估中动物实验禁令带来的挑战，研究人员开发了基于R语言的人工神经网络(ANN)模型，用于预测已知结构物质的皮肤致敏潜力(EC3值)。该模型整合了DPRA、KeratinoSensTM和h-CLAT等体外测试数据，其预测准确率达81.3%，与商业软件QwikNet模型(79.9%)相当。研究证实开源工具可实现与商业软件相当的预测性能，并通过结合计算机模拟(in silico)和交叉参照(read-across)策略提升预测可靠性，为化妆品安全评估提供了经济高效的新方法。

　　

在化妆品安全评估领域，2013年欧盟全面禁止动物实验的指令如同一记惊雷，迫使科学家们必须寻找新的技术路径。皮肤致敏作为化妆品最常见的不良反应之一，其评估曾长期依赖豚鼠最大化试验和局部淋巴结试验(LLNA)等动物模型。特别是LLNA提供的EC₃值（引起刺激指数为3时的测试物质浓度），一直是国际香料协会(IFRA)进行定量风险评估(QRA)的重要依据。然而禁令实施后，如何在不使用动物的前提下准确预测物质的致敏潜力，成为横亘在行业面前的技术鸿沟。

面对这一挑战，科学家们提出了基于不良结局路径(AOP)的替代策略。AOP将皮肤致敏过程分解为四个关键事件(KE)：半抗原与皮肤蛋白结合(KE1)、角质形成细胞活化(KE2)、树突状细胞活化(KE3)和抗原特异性T细胞增殖(KE4)。围绕这些KE，研究者开发了DPRA、KeratinoSens^TM、h-CLAT等一系列体外测试方法。但单一方法往往难以全面反映复杂的致敏过程，因此需要整合多种测试数据的综合评估策略(IATA)。

在此背景下，研究人员此前已利用商业软件QwikNet构建了人工神经网络(ANN)预测模型。但商业软件的获取和使用限制可能阻碍模型的广泛应用。为此，本研究转向开源平台R语言，旨在开发一个具有同等预测性能但更易获取的新模型。研究团队从文献中精选了134种化合物的高质量数据集，这些化合物的LLNA EC₃值均通过OECD 429标准获得，并配套有DPRA、KeratinoSens^TM和h-CLAT的测试数据。

关键技术方法包括：1) 使用R语言的neuralnet包构建三层ANN模型；2) 输入参数为DPRA半胱氨酸肽结合率、KeratinoSens^TM的IC₅₀值和h-CLAT的CD86/CD54表达水平；3) 通过留一法交叉验证评估模型性能；4) 对预测不佳的化合物辅以计算机模拟(in silico)和交叉参照(read-across)分析。

比较QwikNet和R模型的准确性
在相同训练集(134种化合物)上，R模型展现出与QwikNet模型相当的预测性能。两者的预测值与实测EC₃值相关系数(r)分别为0.943和0.926，决定系数(r²)分别为0.889和0.857。更重要的是，R模型的准确率(81.3%)略高于QwikNet模型(79.9%)，且过预测率(10.4%)和欠预测率(8.2%)也更为均衡。这表明开源工具完全能够实现商业软件的预测精度。

案例研究验证
对28种未参与训练的化合物进行盲测时，R模型成功预测了香兰素等弱致敏剂(实测EC₃>20%)和2-巯基苯并噻唑等强致敏剂(EC₃<0.1%)。对于少数预测偏差较大的化合物如丁香酚，通过Derek Nexus软件识别出其醌式结构可能增强致敏性，再结合类似结构的交叉参照分析，显著改善了预测准确性。

讨论与结论
这项研究首次证明ANN模型可以从商业软件成功迁移到开源平台。R模型不仅保持了预测LLNA EC₃值这一关键毒性终点的能力，其开源特性更有利于全球范围内的推广应用。研究还创新性地提出"三明治式"评估策略：以ANN预测为核心，对不确定化合物辅以计算机模拟结构警示分析和交叉参照验证，形成证据权重(WoE)评估体系。

从应用角度看，该模型可直接支持化妆品成分的定量风险评估(QRA)，帮助确定无预期致敏效应水平(NESIL)。特别是对香精香料等复杂混合物，模型提供的EC₃预测值可作为确定安全边际的起点。随着新方法评估(NAM)框架的发展，这种整合体外、计算机和交叉数据的策略，很可能成为下一代风险评估(NGRA)的标准范式。

值得注意的是，模型的成功离不开高质量的训练数据。本研究精选的LLNA数据均来自标准化实验，且配套的体外测试均符合OECD测试指南。这种对数据质量的严格把控，为模型的可靠性提供了根本保障。未来随着更多高质量数据的积累，模型的预测范围和准确性有望进一步提升。

这项发表在《Computational Toxicology》的研究，不仅为化妆品安全评估提供了实用工具，更展示了开源工具在毒理学建模中的巨大潜力。在动物实验日益受限的背景下，此类研究将加速风险评估向新范式转型，最终实现保护消费者与替代动物的双赢。