将计算毒理学作为新方法学（NAMs）教学：面向下一代风险评估（NGRA）的经验、挑战与下一代毒理学家培养

《Frontiers in Toxicology》：Teaching computational toxicology as new approach methodologies in the era of next-generation risk assessment

　　

全球范围内向非动物化学测试方法的倡议近期已显著加速，这要求开发新方法学（new approach methodologies, NAMs）作为下一代风险评估（next-generation risk assessment, NGRA）的变革性解决方案。NAMs指不依赖动物的任何in chemico、in silico和in vitro技术、方法学或其组合。一系列计算毒理学方法正成为NGRA框架内跨多个测试层级的关键组成部分。这些方法需要支持危害表征及进一步测试的优先排序、计算出发点（point of departure, PoD）、识别作用模式（mode of action, MOA），并弥合in vitro测定与in vivo暴露以及顶端健康终点（apical health endpoints）之间的数据缺口。计算毒理学的核心技术包括（i）定量构效关系（quantitative structure activity relationship, QSAR），（ii）基准剂量（benchmark dose, BMD）建模，（iii）组学数据的生物信息学分析，（iv）基于生理的动力学（physiologically based kinetic, PBK）建模，（v）定量有害结局路径（quantitative adverse outcome pathway, qAOP）建模，（vi）分子对接与动力学，（vii）以及最近出现的机器学习和人工智能（machine learning and artificial intelligence, ML/AI）工具。NAMs共同体在学术界、产业界和监管机构中，正面临对培训当前和未来专业人员掌握这些技能日益增长的需求。在本文中，研究人员描述了在传播这些计算毒理学技术方面的观点、经验和挑战。与已建立学科不同，计算毒理学及相关软件的课程体系持续演变，要求讲师及时适应。挑战众多，研究人员也面临前所未有的机遇：教育下一代毒理学家是化学毒性测试与安全评估这一革命性运动的关键努力。

论文主体解读

研究背景：全球向非动物化学测试方法转型，要求开发新方法学（new approach methodologies, NAMs）作为下一代风险评估（next-generation risk assessment, NGRA）的变革性方案。NAMs包括不依赖动物的in chemico、in silico和in vitro技术、方法或组合。NGRA强调暴露导向、假设驱动和分层决策：Tier 0利用现有资料与in silico工具，Tier 1产生新的人类细胞in vitro数据，Tier 2开展精细靶向测定以降低不确定性。计算毒理学是NGRA中关键的in silico NAM工具，用于支持危害表征、进一步测试优先排序、计算出发点（point of departure, PoD）、识别作用模式（mode of action, MOA），并弥合in vitro测定与in vivo暴露及顶端健康终点之间的数据缺口。核心技术包括定量构效关系（quantitative structure activity relationship, QSAR）、基准剂量（benchmark dose, BMD）建模、组学数据生物信息学分析、基于生理的动力学（physiologically based kinetic, PBK）建模、定量有害结局路径（quantitative adverse outcome pathway, qAOP）建模、分子对接/动力学以及机器学习/人工智能（machine learning and artificial intelligence, ML/AI）。尽管QSAR、BMD、PBK等有时作为独立课程或工作坊教授，但很少作为一整套in silico NAM工具系统教授，且NGRA背景下计算毒理学教育仍有限。因此，中国医科大学公共卫生学院（School of Public Health at China Medical University, SPH-CMU）2015—2025年与来自Unilever、Emory University、Indiana University、The Hamner Institutes、US EPA及中国机构的NAM专家合作，举办六届全国计算毒理学工作坊（CTW），包括“Computational Systems Biology and Dose Response Modeling”（CTW, 2015）、“PBPK/PBTK Modeling”（CTW, 2017; CTW, 2023）、“qAOP Modeling”（CTW, 2021）、“21^st Century Toxicity Testing and Computational Toxicology”（CTW, 2019）和“Computational Toxicology for NAM in the Era of NGRA”（CTW, 2025）。工作坊为免费3或4天短课程，讲座加计算机上机，累计约660名来自中国60多所大学和研究机构的学员。2023年末通过WenJuanXing对2019—2023年工作坊360名参会者进行非正式在线调查，60人应答；67%表示已开始应用NAMs，12%发表相关论文，10%教授NAMs，15%指导学生，8.33%获得相关资助，37%显著减少动物使用，25%停止在毒性测试中使用动物。SPH-CMU因此获2024 Lush Training Prize。研究人员旨在分享传播这些计算毒理学技术的观点、经验和挑战，并认为培养下一代毒理学家是化学毒性测试与安全评估革命的关键努力。

关键技术方法概括：该文主要基于SPH-CMU 2015—2025年六届全国计算毒理学工作坊的教学实践与观点总结，并于2023年末通过WenJuanXing对2019—2023年工作坊360名参会者进行非正式在线问卷调查，60人应答。样本队列来源为中国60多所大学和研究机构的累计约660名工作坊学员。教学涉及的关键技术包括QSAR、BMD、组学数据生物信息学、PBK、qAOP、分子对接/动力学及ML/AI，强调讲座加计算机上机、免费/开源/用户友好软件和连贯案例研究，不涉及试剂与具体培养、质粒构建操作。

研究结果：
2.1 General philosophy（一般教学理念）：计算毒理学学员背景多样，包括生物学、化学、毒理学、预防医学、基础医学、环境健康科学与工程，多数缺乏定量技能。教学需将方程和脚本分解为基本组分详细解释，用熟悉例子提供语境，采用讲座后上机练习，软件遵循免费、开源、用户友好原则，并用连贯案例展示真实NAM应用及局限。

2.2.1 QSAR modeling：QSAR是利用统计或ML建立化学品结构与理化/生物性质定量映射的数学建模，能筛选大量化学品，已成为Tier 0/1的NAM风险评估工具。短期培训重点是理解算法原理、了解成熟工具、掌握至少一种工具、知适用域和局限。VEGA、ADMET-AI等操作简单，输入简化分子线性输入规范（simplified molecular input line entry system, SMILES）即可预测；但模型偏向建模所用化学品类别，若不评估结构相似性、描述符范围和机制边界，可能产生假阳性/假阴性。

2.2.2 BMD modeling：PoD是产生足够偏离基础功能状态并可能导致不良结局的浓度或剂量。BMD方法由Kenneth S. Crump提出，已成为确定PoD的主流统计曲线拟合方法，用预定义数学函数估计与预定基准反应相关的浓度/剂量并考虑不确定性。教学能力包括原理与历史、工具、至少一种软件、最佳模型选择及局限。模块涵盖EC₅₀、NOEAL/LOEAL与BMD历史、不同数据类型函数、频率派与贝叶斯方法、软件优劣和练习。工具包括BMDS、贝叶斯BMD建模（Bayesian BMD modeling, BBMD）、EFSA-BMD、PROAST、ToxicR。学生需评估拟合曲线质量，并选择BMD的单侧95%置信区间下限即BMDL作为PoD。

2.2.3 Bioinformatic analysis of omics data：转录组学因成本较低，且转录组PoD（transcriptomic PoD, tPoD）通常与动物研究相关顶端终点PoD在一个数量级内，成为最有用组学工具；in vitro转录组浓度-反应测定成为NAM-based NGRA必需组件，蛋白质组和磷酸化蛋白质组等也日益受重视。教学聚焦RNA测序数据的转录组BMD，能力包括理解基因本体（Gene Ontology, GO）、京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）、Reactome通路基因分组及基于权重和富集的通路级tPoD、了解工具优劣与数据格式、使用工具计算基因和通路级tPoD。工具包括BMDExpress、BBMD平台上的BMD Analysis for Genomic Data模块和FastBMD。

2.2.4 PBK modeling：PBK机制性模拟化学品在机体中的吸收、分布、代谢和排泄（absorption, distribution, metabolism, and excretion, ADME），用耦合常微分方程（ordinary differential equations, ODE）描述血液连接组织隔室中化学物量变化率。PBK模型作为in vitro至in vivo外推（in vitro to in vivo extrapolation, IVIVE）NAM工具，预测产生特定组织PoD浓度的外暴露水平。教学能力包括理解ADME机制、确定模型结构、写和参数化ODE、拟合数据、敏感性分析。模块包括历史、分配系数、血浆游离分数、组织分布、清除、暴露途径、急慢性模型、参数化资源、敏感性/变异/人群PK。学生不必强数学，ODE数值解；化学特异性参数来源决定不确定性。工具可用R、Python、Julia、Berkeley Madonna、COPASI、PK-Sim及R包httk。

2.2.5 qAOP modeling：AOP框架中顶端健康终点是全身对多器官组织改变的反应结果。qAOP模型捕捉器官-器官相互作用，在NGRA的Tier 2作为in silico精修工具，常用确定性或随机数值模拟。其系统生物学方法用ODE跨尺度数学捕捉分子和细胞关键事件（key events, KE），多个KE网络产生多稳态、稳态、振荡等复杂动态和非线性剂量反应。教学能力包括质量作用动力学、正负反馈和前馈动态、稳定性与分叉分析、确定性与随机模拟。模块包括简单过程、信号放大和超敏、正反馈/双负反馈/双稳态、负反馈/适应/稳态、振荡、前馈/噪声过滤/毒物兴奋效应、氧化应激和细胞周期等复杂电路。qAOP教学比PBK更具智力挑战，涉及Jacobian矩阵、特征值/特征向量、不动点、鞍结分叉、Hopf分叉和极限环等，需在熟悉生化语境中教授。工具可用通用语言及Berkeley Madonna、COPASI、MOBI。

2.2.6 Molecular docking/dynamics：分子对接传统上预测小分子配体与大分子靶标结合，可用于NAM预测分子起始事件（molecular initiating events, MIE）、优先测试化合物、评估脱靶毒性，需大分子3D结构和结合口袋知识。分子动力学（molecular dynamics, MD）通过解牛顿运动方程模拟原子和分子随时间物理运动，提供毒物-靶标相互作用动态高分辨率视图。应用包括验证MIE、精修和验证毒物-受体复合物对接姿势稳定性；构象毒性：研究靶标柔性、别构调节和静态结构中不明显的结合口袋；复杂环境相互作用：多尺度或粗粒化模拟新兴污染物如全氟和多氟烷基物质（per- and polyfluoroalkyl substances, PFAS）跨脂双层渗透，洞察生物累积和细胞摄取机制。能力包括模拟机制概念、局限如蛋白柔性、打分准确性和假阳性、掌握至少一种软件。MD学习曲线更陡、计算成本更高，需平衡预测精度。

2.2.7 ML/AI application in NAM：ML/AI革命化蛋白质折叠、配体-受体结合和活性预测，为药物开发和化学风险评估提供强大in silico NAM工具。基于神经网络的ML模型大幅提高QSAR预测肝毒性、内分泌干扰物、神经毒性、ADME参数、致敏性、转录组谱和预测生物活性不确定性等的准确性。基于Neural-ODE结构的药代动力学/药效动力学（pharmacokinetic/pharmacodynamic, PK/PD）模型已用于预测临床药物不同给药场景。AI工具预测蛋白折叠包括Deep Docking、AlphaFold/AlphaFold2/AlphaFold3。自然语言处理（natural language processing, NLP）用于Sysrev等在线工具进行数据管理和系统证据回顾，在毒理学中用于开发AOP结构等。挑战在于快速演变下如何纳入新兴ML/AI工具。能力包括了解ML/AI在NAM中的多种能力、学习诸如深度网络QSAR等成熟工具、知局限。

讨论与结论：讨论部分强调，随着NAMs在化学风险评估和药物开发中日益采用，传统和新兴计算毒理学方法正在监管倡议和指南中推进和应用；这些in silico工具对NGRA框架和现代安全科学中有效实施NAMs至关重要。教学和培训这些跨学科主题存在挑战，课程和软件不断演变，讲师需及时适应；但培养未来毒理学家、风险评估人员和监管专业人员具备推进化学品测试中NAM所需能力是必要努力。研究结论翻译：随着NAMs在化学风险评估和药物开发中日益被采用，一系列传统和新兴的计算毒理学方法正在监管倡议和指南中得到推进和应用。这些in silico工具对于在NGRA框架和现代安全科学中有效实施NAMs至关重要。尽管这些跨学科主题的教学和培训存在挑战，但为使未来毒理学家、风险评估人员和监管专业人员具备推进化学品测试中NAM所需的能力，做好准备是必要的。