新兴化学品大鼠急性经口毒性预测的高效机器学习模型：多领域应用与构效关系解析

为解决新兴污染物生物安全评估难题，研究人员开发了基于6000+已知急性经口毒性(AOT)数据的机器学习模型。该研究通过分子描述符和指纹特征构建QSAR模型，准确率达0.86以上，SHAP分析揭示BCUTp_1h等关键毒性指标，为绿色化学品设计提供智能筛选工具。

　　

随着新兴污染物在环境中的广泛存在，其生物安全评估迫在眉睫。全球化学品统一分类制度(GHS)中，急性经口毒性(AOT)的核心参数LD₅₀直接决定化学品安全等级。传统动物实验存在局限性，定量构效关系(QSAR)模型为毒性预测开辟了新途径。

这项研究基于6000余例已知AOT数据，构建了针对新兴污染物的LD₅₀分级预测模型。通过优化分子描述符（如表征分子极性的BCUTp_1h）和结构指纹特征，模型性能显著提升——准确率突破0.86，召回率超过0.84，全面超越既往模型。研究团队采用博弈论驱动的SHAP解释技术，锁定三大关键毒性描述符：表征分子极性的BCUTp_1h、电负性相关的ATSC1pe以及疏水表面参数SLogP_VSA4。信息增益(IG)算法则揪出[P-O, P-S]等警示亚结构，这些发现为理解化合物致毒机制提供了新视角：高极化率、显著电负性差异及大分子表面积可能通过干扰生物膜通透性等途径对大鼠产生毒害。

该模型不仅实现跨类别新兴污染物的稳健预测，更搭建起连接计算毒理学与绿色化学的智能桥梁。研究人员特别指出，模型揭示的构效关系可直接指导分子改造——比如调控磷氧键(P-O)数量可显著降低毒性风险。这项成果为环境污染物风险评估提供了高效计算工具，同时为"设计即安全"的绿色化学品开发策略奠定了算法基础。