《JOURNAL OF APPLIED TOXICOLOGY》：A Comprehensive Study to Compare Different Compound Representations for Predicting Carcinogenicity In Vivo
编辑推荐：
致癌性评价是化学品风险评估中的关键组成部分，然而传统体内（in vivo）测试仍然存在耗时、成本高且伴随伦理挑战等问题。基于机器学习（machine learning）的计算方法提供了很有前景的替代方案，但不同分子表征策略对于预测体内（in vivo）致癌性的
致癌性评价是化学品风险评估中的关键组成部分，然而传统体内（in vivo）测试仍然存在耗时、成本高且伴随伦理挑战等问题。基于机器学习（machine learning）的计算方法提供了很有前景的替代方案，但不同分子表征策略对于预测体内（in vivo）致癌性的相对贡献仍缺乏充分研究。本研究旨在系统评估分子嵌入（molecular embeddings）、经典描述符（classical descriptors）以及毒性亲电子团结构警报（toxicophore structural alerts）对机器学习模型预测体内（in vivo）致癌性性能的影响。研究人员通过整合5个主要毒理学数据库，构建了一个包含2090种不同化合物的整理数据集，这些化合物均已在啮齿动物中完成体内（in vivo）测试。采用经典分子描述符、加入结构警报的描述符集合、来源于SMILES的分子嵌入，以及这些表征方式的混合组合对化合物进行表示。在10折分层交叉验证（10-fold stratified cross-validation）方案下，对24种机器学习分类器进行了基准比较。模型性能采用准确率（accuracy）、精确率（precision）、召回率（recall）、F1值（F1-score）和受试者工作特征曲线下面积（AUC-ROC）进行评估，并使用Friedman检验和Nemenyi检验评估统计学显著性。结果表明，将分子描述符与结构警报相结合的表征方式往往能够在不同模型中产生最稳定的一致性预测性能。分子嵌入可作为补充特征发挥作用，但不能替代经典表征。这些发现进一步强化了具有化学可解释性、由专家知识驱动的描述符在监管相关致癌性建模中的核心作用，尤其是纳入遗传毒性结构警报的描述符。
该文发表在《JOURNAL OF APPLIED TOXICOLOGY》，围绕体内（in vivo）致癌性预测中“分子如何表征”这一核心问题展开系统研究。致癌性是化学品风险评估中的关键终点，直接关系到农药、食品添加剂、药物及工业化学品的注册与监管决策。传统啮齿动物体内致癌性试验虽然具有较高监管相关性，但存在周期长、费用高、伦理负担重等突出问题，因此开发可靠的计算毒理学方法具有现实必要性。既往研究已经提出定量构效关系（QSAR，基于化学结构预测生物活性的方法）、机器学习、深度学习、read-across以及结构警报等多类方法，但现有工作多集中于Ames试验等体外（in vitro）遗传毒性终点，或将体外与体内终点混合建模。对于单一、明确的体内致癌性终点，不同分子表征方式究竟谁更有效，尤其是经典描述符、SMILES衍生嵌入和结构警报之间的相对贡献，仍缺乏统一而严格的比较。正是在这一背景下，研究人员开展了本研究，试图在统一数据基础、统一验证框架和多分类器比较条件下，明确不同表征策略在体内致癌性建模中的实际价值。
研究人员首先整合了5个公共毒理学数据库，包括GENE-TOX、IRIS、CCRIS、CPDB和ECHA，仅保留啮齿动物体内试验数据。通过CAS号与SMILES交叉校验完成化合物统一映射，并在多步整理流程中去除重复记录、不完整记录、结果冲突记录及无机化合物，最终获得2090个结构明确、标签一致的有机化合物数据集。研究目标并非限定于某一类化学物，而是覆盖药物、农药、工业化学品、环境污染物、天然产物和合成研究化合物等多样化学空间，以便更全面评估表征方法的普适性。全文的核心结论是：在体内致癌性预测任务中，经典分子描述符仍是最可靠的表征基础，而加入毒性结构警报后性能最稳定、整体最佳；分子嵌入能够提供补充信息，但不能替代传统描述符，尤其在缺乏结构警报时，其独立预测能力有限。这一结论对于构建监管适用的致癌性预测模型具有重要意义，说明可解释、具机制依据并融入专家知识的化学特征仍然是此类模型的主要信息来源。
研究人员采用的关键技术方法可概括如下：首先，从5个公开毒理学数据库构建多来源啮齿动物体内致癌性样本队列，并进行标准化与严格数据清理。其次，利用RDKit计算366个经典分子描述符，并构建加入毒性亲电子团结构警报的扩展特征集；同时对SMILES进行分词和嵌入建模，测试7种预训练嵌入模型。再次，设置DESC、DEST、EMB、EMBDESC和EMBDEST 5种输入场景，在24种机器学习分类器上开展比较。最后，采用重复30次的10折分层交叉验证，以准确率、精确率、召回率、F1值和AUC-ROC评估模型，并使用Friedman检验与Nemenyi事后检验比较统计学差异。
以下结合论文结果部分各小标题进行解读。
3.1 Embedding-Based Representations
该部分聚焦不同预训练嵌入模型本身的优劣比较。研究人员测试了7种嵌入模型，包括通用语言模型BERT、多个ChemBERTa变体、Molformer以及PubMedBERT，并在24种分类器上比较其F1值表现。Friedman检验结果显示，不同嵌入模型之间存在显著差异，说明嵌入来源和预训练目标会影响体内致癌性分类效果。综合平均F1值与平均秩次结果，CB77-MTR表现略优于CB77-MLM，并整体优于CB100-MLM和BERT；尽管部分差异未达到两两显著性，但CB77-MTR仍被选定为后续所有嵌入相关场景的基础表征。该结果说明，针对化学SMILES语料预训练的模型优于一般文本模型，表明化学领域适配的表示学习具有必要性；但即便如此，嵌入表征本身的优势仍然有限，需要放在更广泛的特征组合中加以检验。
3.2 Scenario Performances
该部分比较5种输入变量场景，即仅描述符（DESC）、描述符+结构警报（DEST）、仅嵌入（EMB）、嵌入+描述符（EMBDESC）以及嵌入+描述符+结构警报（EMBDEST）。结果表明，DEST场景取得最高平均F1值，为0.722，在整体排序中优于其他所有场景；EMB场景平均F1值最低，为0.690，显示单独使用嵌入时分类性能最弱。EMBDESC和EMBDEST处于中间水平，其中加入结构警报后通常较不含警报的嵌入场景更优。这部分结果直接支撑论文的核心观点：结构警报为模型提供了稳定、鲁棒且具有机制关联的补充信号，能够显著增强描述符体系的判别力；而传统描述符在没有结构警报时仍普遍优于嵌入。换言之，嵌入不是主要信息源，更适合作为附加层，而非替代层。
3.3 Model Performance
该部分从分类器角度比较模型家族差异。Friedman检验表明，不同分类器间性能存在显著差异。平均秩次分析显示，XGBoost取得最佳总体排名，LightGBM紧随其后，二者构成稳定的高性能梯度提升（boosting）模型群；相比之下，ExtraTrees、RandomForest、SVC和GradientBoosting整体排名靠后，MLPClassifier处于中间位置。这说明在当前数据结构和特征组合下，现代梯度提升框架更能有效提取与致癌性相关的判别信息。进一步地，研究人员对最佳分类器XGBoost在5种场景下的准确率、精确率、召回率、F1值和AUC-ROC进行了细化比较。结果显示，XGBoost在所有场景中的准确率均大致维持在0.80左右，提示其具有较稳定的总体分类能力。其中，DEST场景获得最高F1值0.741和最高AUC-ROC 0.872，说明“描述符+结构警报”在精确率与召回率之间实现了最佳平衡。仅嵌入场景虽可提高精确率，但召回率明显下降，导致F1值降低；这意味着嵌入模型对阳性样本识别不够充分。加入描述符后，这一问题得到部分缓解，进一步证明嵌入的价值主要体现在补充而非替代。
讨论部分对上述结果进行了方法学和领域背景上的归纳。研究人员指出，本研究的数据集虽然小于一些大型Ames或多任务数据集，但在专注于单一体内致癌性终点的研究中已具有相对较大规模，而且未对模糊或困难样本进行过度筛除，因此更接近真实监管情境。研究采用重复10折分层交叉验证，而非简单留出法，这使结果更稳定，降低了由特定数据划分导致的乐观偏差。论文还将本研究与既往基于CPDB、分子指纹、图神经网络和多任务学习的研究进行了比较，指出其独特性在于：使用多来源体内数据集，在统一验证框架下系统比较描述符、嵌入、混合特征和毒性结构警报。讨论特别强调了结构警报的重要性。与许多仅隐式编码子结构信息的描述符或指纹不同，本研究将结构警报作为可分离、可比较的特征模块纳入模型，从而更明确地证明了其对性能的独立贡献。由于结构警报承载了与亲电反应基团、代谢活化途径和DNA反应性基团相关的机制知识，而这些过程与致癌发生密切相关，因此其性能增益具有明确毒理学基础。论文同时指出，本研究也存在局限：尽管对于体内终点而言样本量已相对可观，但与大规模体外或多任务数据相比仍然偏小；此外，将致癌性简化为二分类终点，不可避免地掩盖了物种、靶器官、暴露条件以及遗传毒性与非遗传毒性机制之间的差异。
研究结论部分可译为如下内容：
本研究对基于多种监管毒理学来源整合数据集的体内（in vivo）致癌性分类分子表征策略进行了全面评估。既往研究已表明，可利用分子指纹、SAR模型和集成学习表征预测啮齿动物致癌性。本研究在相同验证框架和多分类器条件下，对经典分子描述符、分子嵌入、混合表征以及毒性亲电子团富集特征进行了比较，从而扩展了这一领域文献。在本研究实验条件下，基于描述符的表征，尤其是加入毒性亲电子团结构警报后，表现出最稳定的预测性能。
当基于F1值在不同分类器间分析性能时，纳入结构警报的表征始终表现出更高的平均性能。DEST场景获得最高平均F1值，优于仅描述符模型以及全部基于嵌入的配置。对于基于嵌入的表征也观察到类似趋势：EMBDEST优于单独使用嵌入，表明无论底层分子表征为何，基于警报的信息都能提供稳健且互补的信号。相比之下，单独嵌入的总体性能最低，而不含警报的混合表征呈中间水平，进一步强化了这样一种认识：嵌入能够提供辅助信息，但不能替代经典描述符。
针对最佳分类器的分析进一步支持了上述结论。XGBoost在所有场景中均稳定取得接近0.80的准确率，其中DEST配置在精确率与召回率之间实现了最佳平衡，并获得最高AUC-ROC。在仅嵌入模型中，XGBoost表现出较高精确率但显著较低的召回率，因而导致较低F1值。将嵌入与描述符共同纳入可部分缓解这一现象，如EMBDESC场景所示，同时在所有表征中均保持较高判别能力，AUC-ROC始终处于较高水平。
综合来看，这些结果表明，分子嵌入最适合作为补充特征，用于优化现有基于描述符的模型，尤其是在与毒性亲电子团结构警报联合使用时更为有效。对于体内（in vivo）致癌性预测而言，融入专家知识、具有化学可解释性的描述符仍然是预测能力的主导来源，而嵌入带来的是次级增益，而非可独立成立的解决方案。
