基于氨基酸衍生物反应试验(ADRA)与人工神经网络(ANN)的皮肤致敏性风险评估新模型研究

本研究针对欧盟化妆品动物实验禁令背景下皮肤致敏性风险评估的难题，开发了整合氨基酸衍生物反应试验(ADRA)、KeratinoSens?和h-CLAT等OECD认可方法的人工神经网络(ANN)模型，成功预测LLNA EC3 值作为定量风险评估(QRA)的出发点(PoD)。该模型突破传统动物实验限制，为化妆品成分安全评估提供符合3R原则的创新解决方案。

　　

在化妆品安全评估领域，2013年欧盟全面禁止动物实验的法规如同一把双刃剑——既推动了伦理进步，也给皮肤致敏性风险评估带来巨大挑战。传统金标准小鼠局部淋巴结试验(LLNA)虽能提供关键的点出发值(PoD)EC₃
数据，却与新规背道而驰。尽管基于有害结局路径(AOP)的体外方法如直接肽反应试验(DPRA)、KeratinoSens?和人细胞系活化试验(h-CLAT)相继被OECD采纳，但单一方法始终无法完全替代动物实验。更棘手的是，现有预测模型对未知结构化合物束手无策，这成为下一代风险评估(NGRA)道路上的"拦路虎"。

针对这些瓶颈，来自日本的研究团队在《Regulatory Toxicology and Pharmacology》发表突破性成果。他们巧妙地将氨基酸衍生物反应试验(ADRA)这一新型检测方法与人工神经网络(ANN)算法相结合，构建出能精准预测LLNA EC₃
值的智能模型。ADRA相比传统DPRA具有显著优势：不仅能检测未知分子量物质，还通过紫外/荧光双检测系统适应复杂成分分析。研究团队采用OECD GL497标准数据集，整合ADRA（摩尔与重量浓度双模式）、KeratinoSens?和h-CLAT参数，通过ANN算法训练出高精度预测模型，并与"2/3"阴性判断标准相结合实现GHS分类。

关键实验技术
研究采用OECD验证的ADRA（KE1检测）、KeratinoSens?（KE2检测）和h-CLAT（KE3检测）获取体外参数，基于GL497参考数据集补充实验数据，通过人工神经网络算法构建预测模型，采用均方根误差(RMSE)评估模型性能，并与传统DPRA模型进行交叉验证。

The dataset
研究团队从OECD GL497标准中精选化合物数据，补充ADRA文献数据，创新性地同时采用摩尔浓度和重量浓度两种ADRA检测模式，为模型构建奠定数据基础。

Correlation between LLNA EC₃
value and descriptors
h-CLAT阈值参数与EC₃
的相关性最强（图S1-S2），而ADRA双模式数据均显示显著相关性，这为模型输入参数选择提供了科学依据。

Prediction result
令人振奋的是，基于ADRA的Model A/B预测性能与DPRA模型相当（表1），其中重量浓度模型(Model B)表现尤为突出，其RMSE值甚至优于先前采用SH试验的模型。

Discussion
这项研究实现了三重突破：首先，ADRA的引入将模型适用范围扩展到分子量未知物质，包括复杂植物提取物；其次，ANN模型预测的EC₃
值与历史DPRA模型结果高度一致，验证了方法的可靠性；最重要的是，模型与"2/3"判断标准联用时，分类准确度媲美官方测试策略ITSv1/v2。

研究结论标志着皮肤致敏性评估进入新纪元——通过完全非动物方法获得的预测EC₃
值可直接作为QRA的PoD，不仅完美契合3R原则，更为化妆品新成分的风险评估铺平道路。正如作者Kosuke Imai强调的，这种整合OECD认可方法的ANN模型，真正实现了从机制研究到监管应用的无缝衔接，为全球化妆品安全评估提供了标准化解决方案。当监管机构如EPA已开始采用这类模型进行案例评估时，其变革性价值已不言而喻。