《Environmental Science & Technology》：Beyond Oxidative Stress: Rethinking Mechanistic Inference in Big Data-Driven Adverse Outcome Pathway Construction
编辑推荐：
不良结局通路（AOP）框架已成为一种组织毒理学知识的有效方法，它通过连接分子起始事件（MIEs）与下游关键事件（KEs）和不良结局（AOs），构建具有机制和生物学合理性的毒性通路表征，从而极大促进了化学危害识别、监管决策以及环境污染物机制理解。近年来，高通量筛
不良结局通路（AOP）框架已成为一种组织毒理学知识的有效方法，它通过连接分子起始事件（MIEs）与下游关键事件（KEs）和不良结局（AOs），构建具有机制和生物学合理性的毒性通路表征，从而极大促进了化学危害识别、监管决策以及环境污染物机制理解。近年来，高通量筛选平台、多组学技术和大规模毒理学数据库的快速发展，使AOP构建从主要由专家知识驱动，转变为越来越多地依赖大数据驱动。通过整合多样化的生物数据集，这些方法能够系统识别候选关键事件、重建毒性网络，并实现更高效、可扩展的AOP开发。然而，在许多大数据驱动的AOP研究中出现的一个引人关注的现象值得仔细审视：尽管化学结构、暴露场景和生物学结局存在显著差异，机制推断却常常收敛到一组高度保守的细胞应激与损伤反应，尤其是氧化应激、DNA损伤和细胞凋亡。这些通路在不同污染物类别中反复被认定为核心机制。例如，双酚类、邻苯二甲酸酯类、过渡金属及多种工业化学品，尽管具有不同的化学结构、理化性质和分子靶标，却都被关联到氧化应激。虽然这些反应无疑是细胞毒性的重要组成部分，但它们的反复出现引发了一个关键问题：它们之所以被持续识别，是因为代表了主要因果机制，还是因为它们是当前毒理学知识库和数据集中研究最充分、呈现最过度的生物学反应？在此，研究人员提出，大数据驱动的AOP构建可能面临一种此前未获充分认识的“机制收敛偏倚”，即计算方法倾向于优先推断一般化的细胞应激反应，而非化学特异性的起始机制。这种偏倚并不一定意味着生物学解释错误；相反，它反映了化学机制复杂性与可用于计算学习的机制证据分布不均之间的错配。认识并考虑这种偏倚，对于确保未来AOP发展从模式识别走向稳健的因果机制推断至关重要。
本文发表于《Environmental Science》。不良结局通路（AOP，一种从分子起始事件到不良结局的因果链条框架）已被广泛用于组织毒理学知识、支持化学危害评估与监管决策。随着高通量筛选、多组学和大规模毒理学数据库的迅速发展，AOP构建从专家驱动转向大数据驱动。然而，许多大数据驱动的AOP研究尽管涉及不同化学结构和暴露场景，机制推断却往往集中于氧化应激、DNA损伤和细胞凋亡等高度保守的细胞应激反应。研究人员因此提出，大数据驱动AOP构建存在一种“机制收敛偏倚”（mechanistic convergence bias），即计算方法更倾向于识别数据库中密集注释的一般化应激反应，而忽略表征不足的化学特异性分子起始事件（MIEs，即化学物与生物大分子发生初始相互作用并启动毒性链的事件）。该观点的意义在于，若不加以纠正，AOP的机制解释力、化学分组能力和预测能力可能被削弱，并形成自我强化的知识偏差循环。
在技术方法上，该文属于观点性评述，没有实验样本队列。研究人员主要采用文献综合与概念分析方法，基于现有高通量筛选、多组学数据、毒理学知识库和AOP知识资源的结构特征进行论证，并建议未来研究整合化学-蛋白质相互作用数据、受体结合测定、化学蛋白质组学、结构生物学、分子对接和时间分辨多组学等互补技术，以弥补转录组数据在直接识别MIE方面的不足。
研究结果可归纳为以下几个方面：
（一）机制收敛偏倚的起源。通过分析大数据驱动AOP构建所依赖的知识基础，研究人员发现该偏倚并非源自单一计算算法，而是源于数十年积累的毒理学证据在分布上的严重不平衡。氧化应激、炎症信号、DNA损伤和凋亡等通路在不同化学物和实验体系中反复被研究，因此在组学数据库、通路库和知识图谱中高度致密、注释充分且相互关联；而化学特异性MIE往往数据稀疏、注释不全，导致计算模型、网络推断和富集分析自然偏向于高密度知识区域。
（二）机制收敛偏倚的后果。通过对双酚类、邻苯二甲酸酯类、过渡金属等案例的分析，研究人员指出，氧化应激等下游反应可由多种上游扰动引发，因此相似的下游分子特征并不必然代表相似的作用机制。若大数据驱动的AOP反复将一般化细胞应激反应作为主要机制解释，生物学上不同的毒性通路可能被压缩为相近的机制叙述，化学特异性MIE被掩盖，进而降低AOP区分不同作用模式的能力，并可能忽视真正新颖的毒性通路。
（三）证据基础的改进方向。通过评估现有以转录组为主的下游组学证据的局限，研究人员提出应加强MIE鉴定，整合化学-蛋白质相互作用、受体结合、化学蛋白质组学、结构生物学、分子对接等正交机制证据，并利用时间分辨多组学数据区分早期因果触发事件与晚期一般化损伤反应。
（四）计算推断的改进方向。通过剖析富集分析、网络推断和机器学习算法对高密度知识区域的偏好，研究人员建议未来算法应显式考虑知识失衡，使用证据密度、文献代表性、注释完整度、网络连接性等指标，识别哪些通路因真实机制证据而显著，哪些仅因获得过多科学关注而突出，从而优先挖掘计算上不可见的未充分研究MIE。
（五）知识资源与监管转化。通过检视现有AOP数据库和生物学数据库，研究人员指出这些资源主要记录机制证据，却很少描述证据的完整性、多样性或潜在失衡；未来应增加证据置信度、注释覆盖率和知识密度等元数据，以支持化学分组、新方法（NAMs，即不依赖传统动物实验的下一代风险评估方法）和下一代风险评估。
讨论与结论方面，研究人员强调，认识机制收敛偏倚不应被看作AOP框架的局限，而应视为推动其下一阶段发展的重要机遇。大数据对下一代毒理学不可或缺，但单纯增加数据量并不能保证机制理解改善，因为底层知识格局本身不均匀。未来需要发展偏倚感知的分析框架，整合互补机制证据、量化知识不确定性，并将常见下游应激反应置于层级机制框架中，使其与引发毒性的上游分子事件相区分。结论是：通过明确认识并应对机制收敛偏倚，未来AOP可以突破对成熟毒性通路的重复识别，揭示生物上合理、化学特异性强的因果机制，从而更准确地解释环境污染物如何启动不良结局。
