《Computational Toxicology》：Predictive neurotoxicity prioritization of PCBs
via deep learning and adverse outcome pathway-guided experimental validation
编辑推荐：
摘要多氯联苯（PCBs）是持久性的环境污染物，具有潜在的神经毒性效应，然而对各种PCB化合物进行系统的实验评估仍然具有挑战性。本研究开发了一个集成深度学习-不良结局路径（AOP）框架，用于优先识别神经毒性PCBs并阐明其潜在机制。利用包含2706种化合物的体内神经毒性数据集，基于
摘要
多氯联苯（PCBs）是持久性的环境污染物，具有潜在的神经毒性效应，然而对各种PCB化合物进行系统的实验评估仍然具有挑战性。本研究开发了一个集成深度学习-不良结局路径（AOP）框架，用于优先识别神经毒性PCBs并阐明其潜在机制。利用包含2706种化合物的体内神经毒性数据集，基于分子图表示法开发了一种图神经网络（GNN）。在评估的模型中，GNN取得了最高的F1分数（0.80）、召回率（0.76）和准确率（0.74），证明了其在神经毒性筛选和候选物优先排序中的实用性。特征贡献分析表明，元素身份、键类型、手性和杂化是影响模型预测的主要结构特征。通过将预测的神经毒性与环境存在性和毒理学相关性相结合，优先选择了六种PCB化合物，其中PCB153被选为AOP指导的实验验证对象。斑马鱼暴露实验显示，PCB153会导致浓度依赖性的发育和神经行为改变，表现为高浓度下的发育异常以及运动活动的双向变化。涉及ahr2、cyp1a、keap1和< />的分子反应进一步表明AhR信号通路和氧化应激相关通路在PCB153诱导的神经毒性中起作用。分子动力学（MD）模拟进一步揭示了PCB153与AhR和Keap1之间的稳定相互作用，这些相互作用由疏水性、π堆叠和其他非共价作用力支持。总体而言，这些发现表明，将基于图的深度学习与AOP指导的实验验证和分子模拟相结合，为优先识别环境相关的神经毒性化学物质并表征其潜在作用模式提供了一种高效且可机制解释的方法。
引言
多氯联苯（PCBs）是一大类氯化化合物，历史上曾用于电气设备、热传递流体、增塑剂和其他工业产品[1]。尽管其有意生产已基本停产，但由于化学稳定性、持久性和强生物累积潜力，PCBs仍然在环境中广泛分布[2]。神经系统，尤其是在早期发育阶段，对PCB暴露非常敏感[3]、[4]、[5]。流行病学证据表明，产前暴露于PCBs与儿童认知和心理运动发育受损有关，而实验研究显示神经分化、树突生长、突触可塑性和神经行为功能发生改变[6]、[7]。重要的是，不同PCB化合物的神经毒性潜力和机制因其氯取代模式和分子构象而大不相同。类二噁英PCBs主要通过芳基烃受体（AhR）信号通路起作用[8]，而几种非类二噁英PCBs则干扰细胞内钙平衡、 Ryanodine受体活性、甲状腺激素信号通路和氧化应激反应[9]。例如，非类二噁英PCBs的发育暴露已被证明会破坏多巴胺能和GABA能信号通路，并在斑马鱼中产生感觉或行为缺陷[10]。然而，只有少数PCB化合物接受了系统的神经毒性评估，这使得难以识别出那些具有最大神经风险的材料[11]、[12]。
使用传统的体外和体内方法对单个PCB化合物进行实验评估成本高昂、耗时过长，且不适合快速优先评估大量化学物质。此外，化学物质的神经毒性通常受复杂的非线性分子结构-生物活性关系控制，这些关系可能无法通过传统的结构-活性模型充分捕捉。深度学习通过直接从分子结构中学习分层和特定于任务的表示方法，提供了一种有前景的解决方案，无需手动计算化学描述符。当在足够大且经过精心策划的毒性数据集上进行训练时，深度神经网络能够识别与不良生物学效应相关的潜在结构模式和毒物载体，并预测先前未经测试的化合物的毒性[13]、[14]、[15]。深度学习在大规模毒性预测（包括Tox21挑战）中的成功应用表明了其在支持高效化学筛选和优先排序方面的能力[16]、[17]。因此，基于现有神经毒性数据训练的深度学习模型可以为评估PCB化合物的神经毒性潜力及识别高优先级候选物提供系统的手段。然而，模型预测主要表示化学结构与毒性标签之间的统计关联，本身无法确定PCB诱导的神经毒性背后的生物学机制或因果过程[18]、[19]。
不良结局路径（AOP）框架提供了一种补充策略，可将计算预测转化为生物学上可解释且可实验验证的假设。AOP将机械知识组织成一个连续的链条，将分子起始事件（MIE）连接到细胞、组织、器官和生物体水平的中间关键事件（KEs），最终导致与人类健康或生态风险评估相关的不利结局（AO）[20]、[21]、[22]、[23]。在PCB神经毒性的背景下，潜在的分子扰动（如受体激活、钙信号中断、神经递质平衡改变、甲状腺激素紊乱或氧化应激）可能会影响神经元发育和功能，进而表现为异常的运动、感觉、认知或社会行为[4]、[5]、[8]。因此，将AOP与深度学习相结合，可以超越单一的预测毒性得分，为模型输出提供机械背景。
在这项研究中，我们开发了一个集成的深度学习-AOP框架，用于筛选和机制性地表征PCBs的神经毒性（图1）。首先，整理了一个现有的化学神经毒性数据集，并用它来构建和系统评估预测模型。经过比较评估后，将图神经网络（GNN）模型应用于PCB化合物库，以估计和排名各个PCB的神经毒性潜力。根据预测的神经毒性和广泛的环境存在性，选择了PCB153进行进一步的实验验证。然后将现有的机制证据组织在AOP框架内，以识别与PCB153暴露相关的潜在分子起始事件、中间关键事件和神经行为不良结局。最后，进行了斑马鱼实验来评估其预测的神经毒性，并检查分子反应与生物体水平表型之间的生物学一致性。还进行了分子动力学（MD）模拟，以探索PCB153与AhR和Keap1的相互作用，为提出的机制假设提供了补充的结构见解。通过将数据驱动的化学优先排序与环境相关性、以机制为导向的分析和实验验证相结合，本研究为识别高风险PCB化合物和支持基于机制的风险评估提供了一个高效且可解释的框架。
章节片段
基于深度学习的体内神经毒性预测
模型开发使用了两项先前发表的研究中获得的体内神经毒性数据集[21]、[24]。在分子结构标准化和去除无效或重复条目后，保留了2706种化合物，包括1777种神经毒性化合物和929种非神经毒性化合物。被分类为神经毒性的化合物是在源数据集中被指定具有神经系统效应的化合物，而非神经毒性化合物则是根据源数据集指定的
图神经网络在神经毒性筛选中表现出竞争力的预测性能
GNN模型在交叉验证和独立测试中均表现出一致的区分性能（图2）。五折交叉验证的平均ROC-AUC约为0.80，而独立测试集上的ROC-AUC为0.81（图2a）。测试ROC曲线在大部分假阳性率范围内与平均交叉验证曲线紧密跟随。交叉验证和独立测试之间的可比性能表明模型保持了其
讨论
本研究展示了将基于图的深度学习与机制和实验证据相结合用于PCB神经毒性优先排序的潜在价值。GNN在多个指标上表现出竞争力，支持其应用于PCB优先排序，但没有显示出相对于其他模型的总体优势。扩大高质量神经毒性数据集的规模和化学多样性可能会进一步释放GNN和其他深度学习的潜力
结论
本研究结合了基于图的深度学习、AOP指导的斑马鱼实验和分子动力学模拟，以优先识别PCB化合物并生成其神经毒性的机制假设。GNN在五折交叉验证中的ROC-AUC值为0.80，在独立测试集上的ROC-AUC值为0.81，在评估的模型中具有最高的F1分数、召回率和准确率。基于其预测的神经毒性、AD包含性和环境存在性，选择了PCB153作为示例验证案例
CRediT作者贡献声明
刘国宏：撰写 – 原稿撰写、可视化、软件开发、方法学、资金获取、数据整理。杨佳佳：可视化、验证、软件开发、方法学、正式分析。 Beng慧敏：验证、资源管理、正式分析、数据整理。高楠莎：撰写 – 审查与编辑、验证、软件开发、正式分析、数据整理。李晓芳：撰写 – 审查与编辑、可视化、监督、资金获取。黄长水：撰写 – 审查与编辑
机构审查委员会声明
所有动物实验均按照广州大学《实验动物护理和使用指南》进行，并得到了广州大学动物伦理委员会的批准（批准编号：[2026]245）。
伦理声明
动物主体：本研究遵循了ARRIVE（体内实验报告）指南进行。本研究得到了广州大学动物伦理委员会的批准。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了广东省科技创新重点实验室（2024KTSCX140）、内蒙古自治区自然科学基金（2026MS0221）、广州职业科技大学（2025GCJS04）以及广州职业技术大学的大学级研究项目的财政支持
刘国宏|杨佳佳|Beng慧敏|高楠莎|李晓芳|黄长水
