编辑推荐：
本文聚焦孕期药物暴露的发育毒性（DT）评估难题，综述 AI 在分析相关大数据、预测毒性终点中的应用，介绍整合多模态数据与系统毒理学的可解释 AI 模型，提出多模型综合评估化学物发育毒性的框架，为药物安全评价提供新思路。
发育毒性评估的挑战与 AI 技术的破局之路
孕期药物使用因潜在发育毒性（Developmental Toxicity, DT）风险需谨慎考量。DT 指受孕前、孕期或出生后暴露于有毒物质对发育生物体造成的不良影响，包括孕妇及胎儿的药物诱导毒性与不良反应。监管机构要求对产前药物暴露（尤其是开发中的新药）进行全面毒性测试，但明确 DT 终点及优化分析相关公共大数据仍存挑战。
AI 技术在发育毒性评估中的核心应用
近年来，人工智能（Artificial Intelligence, AI）技术在分析复杂高维数据、揭示化学暴露与发育风险的细微关联中发挥关键作用。研究者梳理了聚焦预测各类毒性终点的主要大数据资源与数据驱动模型，这些模型通过挖掘大规模药物暴露与毒性结果的关联，实现对潜在风险的量化评估。例如，基于电子健康记录（EHRs）、动物实验数据库及分子组学数据构建的 AI 模型，可从基因、蛋白质、细胞等多生物水平预测化学物的发育毒性。
可解释 AI 模型的革新与机制解析
研究特别强调新兴的可解释 AI 策略，这类模型整合多模态数据（如基因组、转录组、代谢组数据）与系统毒理学（Systems Toxicology）框架，不仅提升预测精度，更能揭示复杂毒性终点背后的作用机制。例如，通过图神经网络（GNNs）融合化学结构、生物通路及临床表型数据，可构建可视化的毒性作用网络，解析药物干扰胚胎发育关键节点（如 Wnt/β-catenin 信号通路、Notch 通路）的分子机制。此类模型通过注意力机制（Attention Mechanism）等技术，将黑箱预测转化为可追溯的生物学解释，为毒理学研究提供新范式。
多模型整合的毒性评估框架构建
研究提出一种新型 AI 建模方法，通过集成多个可解释模型（如随机森林、梯度提升机、神经网络），从多维度综合评估药物的发育毒性潜力。该框架首先利用自然语言处理（NLP）技术从文献中提取领域知识，构建先验毒性知识库；再通过跨模态迁移学习整合不同来源数据，最终生成包含风险概率、作用通路、关键靶点的综合评估报告。这种 “模型 ensemble” 策略可降低单一算法的偏差，提升复杂化学混合物评估的可靠性，为监管决策提供更全面的科学依据。
展望：AI 驱动的精准毒理学未来
随着大数据技术与 AI 算法的迭代，结合多组学、类器官模型等新兴技术的 AI 平台，将推动发育毒性评估向 “精准化”“动态化” 发展。未来研究需进一步优化模型泛化能力，解决数据隐私与跨物种外推等挑战，最终实现从 “基于假设” 到 “数据驱动” 的毒理学研究范式转变，为保障母婴用药安全、加速安全药物研发提供强大技术支撑。
