《Journal of Hazardous Materials Advances》：Knowledge Graph?Enabled Adverse Outcome Pathways for Environmental Risk Assessment of Chemicals: A Critical Review
编辑推荐：
无约束的数据积累通过混淆相关性与因果关系，加剧了不良结局路径（Adverse Outcome Pathway, AOP）的瓶颈。当前的知识图谱（Knowledge Graph, KG）和大语言模型（Large Language Model, LLM）系统性地缺
无约束的数据积累通过混淆相关性与因果关系，加剧了不良结局路径（Adverse Outcome Pathway, AOP）的瓶颈。当前的知识图谱（Knowledge Graph, KG）和大语言模型（Large Language Model, LLM）系统性地缺乏因果方向性，并存在机制幻觉（Mechanistic Hallucination）。外部暴露-内部剂量-生物反应（External Exposure–Internal Dose–Biological Response, EE-ID-BR）框架将生理药代动力学（Physiologically Based Pharmacokinetic, PBPK）模型和剂量-反应函数嵌入知识图谱边，用于定量预测。研究提出了分层证据权重（Weight-of-Evidence）框架，以指导人工智能驱动的AOP在监管中的整合。
随着全球化学品数量激增，超过35万种合成化学品在流通，而仅有不足2.2万种在欧盟REACH法规下注册。人类长期暴露于低剂量混合物中，传统高剂量单化学品评估模式已难以应对。不良结局路径（AOP）框架通过从分子起始事件（MIE）到不良结局（AO）的层级因果链，为新一代风险评估提供了机制基础。然而，AOP的实际应用仍受知识碎片化、定量表征不足、暴露场景与毒理机制脱节三大瓶颈制约。这些瓶颈相互强化，阻碍了因果链的建立。为突破瓶颈，知识图谱（KG）和大语言模型（LLM）被引入AOP开发，但现有方法过度强调数据量，忽视因果约束，导致相关性与因果性混淆。基于这一背景，研究人员开展了一项批判性综述，旨在推动从数据驱动向因果驱动的范式转变。
研究人员系统检索了PubMed、Web of Science和Scopus中2010年至2025年的相关文献，采用改编自Bradford Hill原则的三层因果证据等级进行证据强度评估，全面审视了AOP构建的三大瓶颈、KG挖掘和LLM机制推理的缺陷，并提出了外部暴露-内部剂量-生物反应（EE-ID-BR）框架，将PBPK模型和剂量-反应函数嵌入知识图谱边，使静态AOP图转化为定量预测网络。同时，设计了双引擎因果推理架构和分层监管证据框架。概念验证采用斑马鱼AOP#25（芳香化酶抑制导致生殖功能障碍），将100 μg/L丙环唑外暴露经PBPK转化为内部剂量，沿全链传播后预测产卵量下降79%，与实验值64–98%一致，证明了因果感知计算框架可支撑定量AOP预测并促进监管整合。
在技术方法上，本研究属于文献综合分析，而非系统性定量荟萃分析。研究人员在三个数据库中检索和筛选文献，排除非英文及会议摘要；证据强度采用三层因果等级体系。核心方法为EE-ID-BR框架，将PBPK和剂量-反应函数作为机器可读属性嵌入知识图谱边，实现暴露到生物反应的端到端传播。概念验证使用了已发表的定量AOP数据，并借助蒙特卡洛模拟进行不确定性传播。
研究结果主要体现在以下方面。在知识碎片化对AOP的影响方面，研究人员将数据来源分为同行评议文献、高内涵筛选（HTS）、多组学和环境监测数据，发现各来源均存在局限：文献工具（如AOP-helpFinder 2.0）对已知KER的召回率约70%，但无法区分相关性与因果性；HTS数据缺乏实验条件记录；多组学数据跨研究重复性差；环境监测存在空间采样偏倚。真正的瓶颈是缺乏因果溯源、实验背景和语义互操作性。在定量缺口对AOP的影响方面，手动策展一个完整定量AOP可能需超过8人年，导致可扩展性严重不足；公共数据库以定性描述为主，缺乏已验证的剂量-反应函数和动态暴露参数，阻碍了数值计算与预测建模。在暴露-机制不一致对AOP的影响方面，连接外暴露与内生物反应需要PBPK模型和剂量-反应关系两个桥梁，但现有框架多为碎片化模块组合，缺乏统一参数校准和不确定性量化；例如，10%外暴露误差与20%清除率误差叠加可导致预测KE激活误差超过50%。在混淆相关性与因果性的根源方面，研究人员提出方法路径依赖、术语滑移和发表偏倚三个相互强化机制，证实“大数据谬误”在AOP领域成立，即更大数据集不会自动产生因果知识。在知识图谱在AOP环境风险评估中的作用方面，KG平台（如AOP-helpFinder 3.0、COSMOS、TOXIN KGs）能整合异构数据，但现有主流KG平台均将统计共现视为因果方向证据，缺少方向性标记和实验干预字段；定量参数常无上下文嵌入，导致虚假精度。在KG与LLM耦合的局限方面，轻量微调、检索增强生成（RAG）和多智能体方法仅提升事实召回，不能推断因果；LLM存在因果幻觉，会生成语法合理但未经验证的方向性声明；RAG不能保证因果有效性，因为检索语料本身可能包含相关性被表述为因果的内容。
讨论部分，研究人员提出了AI-KG协同框架的设计原则：语义整合必须附因果来源，定量模拟必须嵌入KG边，人工在环验证应作为必要环节。EE-ID-BR框架与qAOP、IATA、NGRA和AEP-AOP等现有框架互补，通过将PBPK和剂量-反应模型作为可执行属性嵌入KG边，实现从暴露到KE激活概率的自动传播。监管整合方面，建议将EE-ID-BR输出置于OECD三层证据体系的第二层，支持化学优先排序、危险识别和机制证据汇编，并提出了初步接受标准。研究结论为：（1）数据量并不等于因果性，不断增加文献、组学数据和LLM参数并未解决AOP核心瓶颈；（2）因果对齐差距（统计关联与机制方向之间的脱节）才是真正的瓶颈；（3）没有因果约束的数据增加将产生更自信的错误声明；（4）必须从数据驱动转向因果驱动的AOP工程，强制实施因果来源标注、因果方向评估和因果幻觉检测三个最小原则。
