基于分子指纹预测环境化学物致突变性的可解释机器学习框架

《Journal of Environmental Chemical Engineering》：Interpretable machine learning framework for predicting mutagenicity of environmental chemicals using molecular fingerprints

　　

摘要

结构多样的化学物质不断释放到环境中，这迫切需要高效工具来早期识别致突变性危害。本研究开发了一种可解释的机器学习框架，用于预测Ames致突变性，并利用分子指纹将其应用于化学多样性数据集。分子访问系统密钥（MACCS）和扩展连接性指纹（ECFP4和ECFP6）与系统性的特征选择方案相结合，以构建紧凑而信息丰富的描述符集。模型在精选的Hansen数据集上进行训练，并使用独立数据集进行外部验证，在验证的化学领域内显示出稳健性。表现最佳的模型基于MACCS和ECFP4特征的组合，在外部数据集上实现了0.90的平衡准确率和0.78的马修斯相关系数，对于相似性定义的应用域内的化合物，性能进一步提高，这反映了预测置信度与化学空间覆盖率之间的权衡。结果表明，简化且精心策划的特征空间可以实现与更复杂的多表征方法相竞争的预测性能，同时保持可解释性。所开发的方法为在验证的化学空间内优先筛选潜在致突变性化学物质提供了一种可靠且计算高效的工具，从而支持环境风险评估和监管决策。

引言

致突变性是指化学物质、物理或生物因子诱导DNA序列或结构发生永久性且可遗传改变的能力，从而损害基因组完整性，并可能导致不良生物结果，如致癌性或遗传性疾病。在现有的实验方法中，Ames试验是最常用于评估致突变性的方法，该试验使用鼠伤寒沙门氏菌菌株进行[1]。虽然Ames试验被广泛认为是一种可靠且成熟的方法，特别是在法规毒理学背景下，但它不适合筛选大量化合物，因为它既耗时又耗费资源。因此，开发用于致突变性预测的计算方法已成为化学安全评估中一种重要的伦理方法[2]。

计算机方法可以加速筛选和优先评估可能进入环境介质的化学物质，包括工业化学品、农药、药物和持久性有机污染物。环境污染物通常以复杂混合物形式存在，且通过光解、氧化或生物降解形成的众多转化产物在毒理学上尚未表征。因此，计算模型为在大规模环境扩散前识别潜在致突变性化合物提供了一种必不可少的一线工具，支持REACH[3]和ICH[4]指南等法规框架，以及OECD关于定量构效关系模型验证和应用的建议[5]。通过实现高通量筛选和优先排序，计算机方法直接促进了污染防治和可持续化学品管理[6,7]。

Ames试验本身的预测一致性不超过约90%[8]，这反映了实验变异性。因此，实现大幅更高的预测准确率本身就极具挑战性。对于环境相关化学物质——通常结构多样、含卤素且具有反应性——模型性能的进一步提升不能仅依靠增加算法复杂性。相反，进展取决于识别化学上有意义的描述符并应用严格的验证策略。这种基于机理的方法增强了模型的可靠性，并支持更明智的环境风险评估。

已开发了多种基于规则和统计的方法用于致突变性预测。基于规则的系统具有透明性和可解释性；然而，它们通常受限于对预定义结构警戒的依赖，并且可能难以推广到结构新颖的化合物[9]。相比之下，统计和机器学习方法在捕捉复杂的构效关系方面更为有效，但通常缺乏可解释性。因此，许多现有模型提供的机理洞察有限。在此背景下，本研究专注于开发稳健的机器学习模型，并结合系统性的特征选择和可解释性分析。

由于选择合适的分子表征对于可靠的致突变性预测至关重要，本研究采用分子指纹而非传统分子描述符。与预定义的理化描述符（总结分子整体性质）不同，指纹表征编码了与已知驱动致突变性的结构警戒和官能团直接相关的详细亚结构模式。这种面向亚结构的表征尤其具有优势，因为致突变性主要由特定的反应性基团和局部结构环境决定，而非整体理化性质。此外，指纹提供了一种高维但标准化的表征，非常适合现代机器学习算法，并能够实现应用域内一致性的相似性评估。

尽管基于机器学习的致突变性预测取得了实质性进展，但仍存在一些局限性。许多近期研究依赖于日益复杂的分子表征组合，包括多种指纹类型、理化描述符和基于图的特征，通常导致高维且冗余的特征空间（请见下方章节了解更多细节）。虽然这些方法可能在预测性能上带来增量改善，但它们通常会降低可解释性并增加过拟合的风险，尤其是在应用于结构多样的环境化学物质时。

这些观察结果表明，精心选择的化学相关描述符可以在不需要庞大特征空间或高度复杂模型架构的情况下提供强大的预测性能。因此，需要一种方法在预测准确率和可解释性之间取得平衡，通过识别紧凑、信息丰富且具有机理意义的化学结构表征来实现这一点。

本研究开发了一种基于优化指纹表征的用于预测Ames致突变性的可解释机器学习框架。采用多阶段特征选择策略，结合统计过滤、Boruta选择算法和基于SHAP（SHapley Additive exPlanations）的细化，以构建紧凑且具有化学意义的描述符集。特别强调：（i）使用缩减且可解释的特征空间实现有竞争力的预测性能，（ii）通过外部验证和应用域分析确保稳健性，以及（iii）在独立推导的描述符集之间建立机理一致性。

通过将预测性能与化学上可解释的结构模式明确联系起来，所开发的框架既为在验证的化学空间内筛选环境相关化学物质提供了一种实用工具，也为致突变性的结构决定因素提供了有价值的洞察，从而支持环境风险评估和监管决策。所提出的方法对于多个领域的研究人员也可能具有价值，特别是化学工程、药物发现和生物技术领域。

文献概述

本节讨论了基于分子指纹的公开数据集和模型的演变。模型评估结果见表1。

最早将机器学习方法应用于致突变性预测的报道之一由Helma等人[10]发表，他们研究了致癌潜力数据库（CPDB）中的684个分子。他们强调了稠环系统、氯代脂肪碳和含氮化合物在估算

数据集

模型开发过程的示意图见图1。本研究采用了Hansen等人[20]（数据集1）和Xu等人[2]（数据集2）报道的数据集，因为它们代表了广泛用于致突变性建模研究的公开数据。数据集1用于特征选择、模型训练和内部测试。随后，所开发的模型使用数据集2中不存在于数据集1中的化合物进行外部评估

化学空间分布

评估所开发模型的预测性能需要检查分子在化学空间中的分布情况。如图2所示，展示了三种不同的化学空间二维映射，训练集、测试集和外部集中的分子占据相似区域。这表明模型适用性具有稳定性和可推广性，并暗示训练集/测试集的划分是恰当的。

特征选择与建模

在开发目标指导下

结论

本研究表明，精心选择的分子指纹结合可解释的机器学习技术，可以为预测Ames致突变性提供一个紧凑、稳健且计算高效的框架。MACCS密钥和ECFP指纹均一致地突出了含氮官能团（如硝基、亚硝基和偶氮基团）、扩展芳香系统和电子离域结构作为致突变性关键驱动因素的主导作用，而

作者贡献

Branislav Stankovi?：概念化、数据整理、形式分析、经费获取、调查、方法论、项目管理、软件、可视化、撰写——初稿；撰写——审阅与编辑。

Dragan Z. Troter：调查、项目管理、可视化、软件、撰写——审阅与编辑。

所有作者均已阅读并批准最终稿件。

CRediT作者贡献声明

Branislav Stankovi?：撰写——审阅与编辑，撰写——初稿，可视化，软件，项目管理，方法论，调查，形式分析，数据整理，概念化。Dragan Z. Troter：撰写——审阅与编辑，可视化，项目管理，调查。

参与同意

不适用。

发表同意

不适用。

伦理审批

不适用。

资助

本调查由塞尔维亚共和国科学与技术创新部与文恰核科学研究所（贝尔格莱德大学）和尼什大学技术学院通过合作协议支持，资助编号451–03–33/2026–03/200017和451–03–33/2026–03/200133。

利益冲突声明

作者声明他们没有任何已知的竞争经济利益或个人关系，这些可能影响本文所报告的工作。

Branislav Stankovi? | Dragan Z. Troter

文恰核科学研究所——塞尔维亚共和国国家研究所，贝尔格莱德大学，贝尔格莱德，塞尔维亚