基于Reactome通路层级与多模态数据融合的可解释性深度学习框架vToxiNet用于肝毒性预测及机制解析

《Journal of Hazardous Materials》：vToxiNet: An Interpretable Deep Learning Framework for Hepatotoxicity Prediction and Mechanism Exploration

　　

摘要专业翻译 肝脏在异源物质代谢和解毒中发挥核心作用，因此易受包括药物在内的潜在毒性化学物质损伤。肝毒性仍是药物研发中的重大挑战，常导致有前景的候选药物在临床试验中失败，并且是上市后因不良反应撤市的最常见原因。肝毒性受多种毒性通路影响，反映了药物以不同方式与生物系统相互作用所蕴含的复杂毒性机制。监管机构依据国际人用药品注册技术协调会（ICH）和经济合作与发展组织（OECD）指南，要求采用标准检测组合来评估药物和化学物质对人体的安全性和毒性。该框架严重依赖动物研究，耗时耗力，且不足以满足对多样化候选药物和环境化学品进行高效毒理学评价的日益增长的需求。此外，将动物研究结果外推至人类仍面临重大挑战，尤其在特发性肝毒性情况下，由于物种间代谢和生理差异以及潜在机制的复杂性，外推更为困难。一项回顾性分析显示，动物试验在临床试验期间遗漏了45%的肝毒性病例。这凸显了对更具人类结局预测性的替代测试策略的迫切需求。 过去几十年中，分子生物学、高通量筛选（HTS）和机器学习方法的进展推动了化学毒性评价替代策略的发展，例如使用人类相关检测和计算建模。这些替代策略通常被称为新方法学（NAMs），旨在减少对动物试验的依赖，同时提高人类相关性，以支持预测毒理学和监管决策。NAMs产生的高通量筛选和毒理基因组学数据量快速增长，推动了毒性大数据的发展，为基于机器学习的毒性建模和预测奠定了坚实基础。然而，现有大多数肝毒性机器学习模型，如定量构效关系（QSAR）模型，主要仅利用化学结构信息开发，因此未能充分利用当前可用于化学风险评估的海量数据。此外，广泛使用的机器学习方法（如深度神经网络）常产生“黑箱”模型，其预测过程缺乏透明度，且不符合强调毒性机制解释的国际指南要求。为解决此问题，将机制性知识框架（如不良反应通路（AOPs）和系统毒理学）纳入模型设计，可增强模型预测的可解释性，并为决策提供毒性见解。 在前期研究中，研究人员开发了一种预测性AOP模型，通过形成导致氧化应激及后续肝毒性的反应性代谢物来评估新毒物的肝毒性风险。然而，肝毒性也可源于其他机制，包括细胞器功能障碍、肝脏代谢改变和免疫介导反应。因此，已报道的氧化应激相关模型仅能揭示通过该特定机制诱导毒性的一部分肝毒物。为建立能够覆盖多种肝毒性机制的全局模型，研究人员开发了虚拟毒性网络（vToxiNet），这是一种创新的生物约束深度神经网络（DNN）方法，旨在增强肝毒性的可预测性和机制理解（图1A）。vToxiNet利用Reactome通路本体构建涵盖广泛毒性通路的虚拟AOP网络。该基于知识的建模框架整合多模态数据进行模型训练，包括化学结构信息、HTS检测响应、基因表达谱以及代表肝毒性潜在关键事件的基因-通路关系。作为全局肝毒性建模工具，vToxiNet可通过提供不同通路对可能最终导致肝损伤的细胞反应贡献的机制见解，评估新分子的风险。

论文解读文章

一、研究背景与问题

肝脏在异源物质代谢和解毒中发挥核心作用，因此易受包括药物在内的潜在毒性化学物质损伤。肝毒性仍是药物研发中的重大挑战，常导致有前景的候选药物在临床试验中失败，并且是上市后因不良反应撤市的最常见原因。肝毒性受多种毒性通路影响，反映了药物与生物系统相互作用方式的多样性所蕴含的复杂毒性机制。监管机构依据国际人用药品注册技术协调会（ICH）和经济合作与发展组织（OECD）指南，要求采用标准检测组合评估药物和化学物质的人体安全性和毒性。该框架严重依赖动物研究，耗时耗力，且不足以满足对多样化候选药物和环境化学品进行高效毒理学评价的日益增长的需求。此外，将动物研究结果外推至人类仍面临重大挑战，尤其在特发性肝毒性情况下，由于物种间代谢和生理差异以及潜在机制的复杂性，外推更为困难。一项回顾性分析显示，动物试验在临床试验期间遗漏了45%的肝毒性病例，凸显了对更具人类结局预测性的替代测试策略的迫切需求。

过去几十年中，分子生物学、高通量筛选（HTS）和机器学习方法的进展推动了化学毒性评价替代策略的发展，例如使用人类相关检测和计算建模。这些替代策略通常被称为新方法学（NAMs），旨在减少对动物试验的依赖，同时提高人类相关性。然而，现有大多数肝毒性机器学习模型，如定量构效关系（QSAR）模型，主要仅利用化学结构信息开发，未能充分利用当前可用于化学风险评估的海量数据。此外，广泛使用的机器学习方法（如深度神经网络）常产生“黑箱”模型，其预测过程缺乏透明度，且不符合强调毒性机制解释的国际指南要求。为解决此问题，将机制性知识框架（如不良反应通路（AOPs）和系统毒理学）纳入模型设计，可增强模型预测的可解释性，并为决策提供毒性见解。

二、研究内容与意义

研究人员开发了虚拟毒性网络（vToxiNet），这是一种创新的生物约束深度神经网络（DNN）方法，旨在增强肝毒性的可预测性和机制理解。vToxiNet利用Reactome通路本体构建涵盖广泛毒性通路的虚拟AOP网络。该基于知识的建模框架整合多模态数据进行模型训练，包括化学结构信息、HTS检测响应、基因表达谱以及代表肝毒性潜在关键事件的基因-通路关系。作为全局肝毒性建模工具，vToxiNet可通过提供不同通路对可能最终导致肝损伤的细胞反应贡献的机制见解，评估新分子的风险。该研究发表于《Journal of Hazardous Materials》。

三、主要技术方法

研究人员采用了以下关键技术方法：第一，肝毒性标签数据来源于DILIrank数据集（含1036种FDA批准药物，分为Most、Less、No和Ambiguous-DILI-concern四类）及七项文献数据集，仅保留分类一致的化合物。第二，高通量筛选（HTS）数据来自美国环保署（EPA）ToxCast/Tox21数据库（Invitrodb 3.4），选取可映射为AOP框架中分子起始事件（MIEs）的检测，包括靶向受体激活、受体结合、催化活性调节或转运体活性调节的检测。第三，基因表达数据来自Connectivity Map及其下一代L1000平台的Level 5数据（基因表达综合数据库GSE92742和GSE70138），优先选用HepG2细胞、24小时处理、10 μM浓度条件下的数据。第四，QSAR建模采用六种机器学习算法（随机森林RF、k近邻kNN、支持向量机SVM、高斯朴素贝叶斯NB、伯努利朴素贝叶斯BNB和自适应增强AdaBoost）及四种化学描述符（扩展连通性指纹ECFP、功能类指纹FCFP、MACCS键和RDKit分子描述符），用于填补MIE检测数据缺口。第五，vToxiNet模型架构基于AOP知识框架构建，输入层为Saagar化学片段指纹（834个片段二进制向量），随后依次为MIE层、基因层和五层Reactome通路层级隐藏层，输出层采用sigmoid激活函数预测肝毒性概率。基因-通路和通路-通路连接根据生物学关系定制，形成相对稀疏的网络。模型采用二元交叉熵损失函数，并借鉴DCell的辅助层方法，将每个通路模块输出转化为辅助标量纳入损失函数，以防止梯度消失并增强通路特异性模式学习。

四、研究结果

肝毒性数据集构建与整合：研究人员从DILIrank数据集和七项文献数据集收集肝毒性标签，将Most或Less-DILI-concern化合物分类为肝毒性，No-DILI-concern分类为非肝毒性，去除分类冲突的化合物，仅保留至少有两个一致肝毒性分类的化合物，建立了可靠的二元分类数据集。

MIE检测数据与QSAR填补：从ToxCast/Tox21数据库选取可映射为AOP框架中MIEs的检测，包括靶向受体激活、受体结合、催化活性调节或转运体活性调节的检测。对于未在选定MIE检测中测试的化合物，采用自动QSAR工作流程填补缺失值，每个检测端点从20个候选模型（四种描述符×六种算法）中选择平衡准确率最高的模型生成预测。

L1000基因表达数据处理：从基因表达综合数据库下载L1000 Level 5数据，优先选用HepG2细胞实验，否则选用MCF7数据。选择24小时处理时长的转录组特征，10 μM浓度条件，以及LINCS联盟指定的exemplar谱或具有最高转录活性评分（tas）的谱。基因表达变化数据以绝对ModZ值≥1.5分类为改变（1，上调或下调），绝对ModZ<1.5分类为未改变（0）。

vToxiNet模型架构构建：vToxiNet采用AOP知识框架设计，输入层为834个Saagar化学片段，随后为MIE层（每个神经元代表一个生物检测）、基因层（每个神经元代表一个与化学和药物诱导肝损伤相关的基因）和五层Reactome通路层级隐藏层。研究人员从比较毒理基因组学数据库（CTD）获取457个与化学和药物诱导肝损伤相关的基因，与Reactome通路层级（2751条人类通路和11727个独特基因）比对后，280个基因重叠，经剪枝后形成包含280个基因和1119条相关通路的五层精简层级。输入层、MIE层和基因层采用密集连接，而基因-通路和通路-通路连接根据生物学关系定制，形成稀疏网络。五个通路隐藏层采用ReLU激活函数，输出层采用sigmoid激活函数。模型采用二元交叉熵损失函数，并采用DCell的辅助层方法，将每个通路模块输出转化为辅助标量纳入损失函数。

五、讨论与结论

讨论部分强调了vToxiNet作为全局肝毒性建模工具的优势，其不仅能够预测肝毒性，还能提供机制性见解，揭示不同通路对可能导致肝损伤的细胞反应的贡献。与仅依赖化学结构信息的传统QSAR模型相比，vToxiNet通过整合化学结构、HTS检测响应、基因表达谱和基因-通路关系等多模态数据，实现了更全面的机制覆盖。该框架支持可信赖的人工智能（AI）用于机制信息毒理学，符合国际指南对毒性机制解释的要求。

研究结论表明，vToxiNet通过将Reactome通路层级嵌入生物约束神经网络，整合化学、高通量筛选和转录组数据，以改进的性能和可解释性预测肝毒性。通路层面的解释优先识别了与肝损伤相关的机制。该框架支持可信赖的人工智能用于机制信息毒理学，为药物研发和化学风险评估中的肝毒性评价提供了有力工具。