基于QSAR与q-RASAR模型智能预测番茄农用化学品植物毒性的研究：风险评估与可持续农业应用

本研究针对番茄中农用化学品残留及天然毒素对人类健康与环境的威胁，开发了基于EC25数据的QSAR与q-RASAR预测模型。通过多线性回归与智能共识预测(ICP)方法，模型表现出优异统计性能（R2>0.75，CCCext=0.718），成功识别ATSC0c等关键分子描述符，实现对千余种未知化合物的毒性分类与结构警报标记，为无动物实验的农化品安全评估提供可靠工具。

　　

农业化学品残留与天然毒素在番茄等蔬菜中的存在，对人类健康及生态环境构成显著威胁。传统毒性测试方法依赖动物实验且耗费资源，而计算毒理学领域的定量结构-活性关系（QSAR）和定量跨读结构-活性关系（q-RASAR）模型已成为毒性预测与数据填补的有效替代方案。

本研究基于OPP数据库中的番茄相关农用化学品EC₂₅毒性数据，通过PaDEL软件进行结构优化与分子描述符计算，采用多元线性回归（MLR）方法在QSARINS平台构建预测模型。模型严格遵循OECD准则进行统计验证，并引入智能共识预测（ICP）策略整合多模型输出以提升准确性。研究同时评估了应用域（AD）与预测可靠性指数（PRI）以保障模型稳健性。

结果显示，QSAR模型1、2与q-RASAR模型3、4均表现出卓越的统计性能：判定系数R² > 0.75，留一法交叉验证系数Q²_LOO > 0.63，外部验证指标Q²_F1与Q²_F2 > 0.557，而外部一致性相关系数CCC_ext达到0.718。研究识别出ATSC0c、ATSC5p和VCH-5等关键分子描述符作为毒性决定因子。共识验证表明QSAR模型M2预测能力最强，在ECOTOX和PPDB（Footprint）数据库中均显示高度可靠性。该模型成功对612种及1,781种未知化合物进行毒性分类，并标记出关键结构警报。

所开发的模型为番茄农用化学品毒性预测提供了高效、无动物实验的计算框架，有助于监管风险评估并支持设计更安全、可持续的农业化学品。