机器学习辅助的离子液体毒性比较研究：基于QSTR、i-QSTTR、qRASTR和i-qRASTTR模型对三种细菌的毒性预测与机制解析

这篇研究通过机器学习（ML）技术构建了定量结构-毒性关系（QSTR）、交叉物种毒性关系（i-QSTTR）、定量读跨结构-毒性关系（qRASTR）及其交叉物种优化模型（i-qRASTTR），系统预测了离子液体（ILs）对金黄色葡萄球菌（S. aureus）、大肠杆菌（E. coli）和铜绿假单胞菌（P. aeruginosa）的毒性。研究发现，i-qRASTTR模型（Q2F1: 0.908–0.917）比传统QSTR模型更具预测优势，并揭示了阳离子尺寸、烷基链长度等关键毒性决定因素，为绿色ILs设计提供了数据驱动策略。

　　

Highlight

离子液体（ILs）因其可调控结构成为潜力巨大的新一代杀菌剂。本研究通过机器学习（ML）驱动的定量读跨结构-毒性关系（q-RASTR）和交叉物种优化模型（i-qRASTTR），成功预测了ILs对三种细菌的毒性。模型显示，i-qRASTTR（Q²_F1: 0.908–0.917）在外部预测性上显著优于传统QSTR，且揭示了S. aureus与E. coli、P. aeruginosa间强烈的种间毒性关联。

关键发现

• 结构-毒性关系：阳离子尺寸、烷基链分支与长度显著增强ILs毒性，而含氧侧链可降低其对革兰阳性菌（Gram +ve）的毒性。

• 跨物种机制：大体积疏水阳离子在革兰阳性与阴性菌（Gram –ve）中均通过膜破坏增强毒性，暗示共通的毒性通路。

环境启示

本研究通过低μM至mM浓度环境相关条件下的实验数据建模，减少了对传统毒性测试的依赖，为ILs的快速生态风险评估提供了计算工具，助力可持续化学设计。

结论

ILs作为抗菌剂的潜力在此得到数据验证。qRASTR与i-qRASTTR模型不仅提升了预测精度，还通过读跨技术（read-across）揭示了结构优化方向，为抗耐药菌非抗生素疗法的开发铺路。