综述:毒理学中的人工智能:当前进展、挑战与未来方向
《Archives of Toxicology》:Artificial intelligence in toxicology: current advances, challenges and future directions
【字体:
大
中
小
】
时间:2026年09月19日
来源:Archives of Toxicology 10.9
编辑推荐:
**摘要**
毒理学传统上依赖活体动物实验和体外检测来评估药物、化学物质和环境污染物的安全性。这些方法受限于成本、时间、伦理问题以及跨物种外推的困难。人工智能(AI)提供了一种替代范式,即从大规模异质性数据集中提取与安全相关的信号。本综述追溯了毒理学领域人工智能的发展历程,
**摘要**毒理学传统上依赖活体动物实验和体外检测来评估药物、化学物质和环境污染物的安全性。这些方法受限于成本、时间、伦理问题以及跨物种外推的困难。人工智能(AI)提供了一种替代范式,即从大规模异质性数据集中提取与安全相关的信号。本综述追溯了毒理学领域人工智能的发展历程,从基于规则的专家系统到当代的深度学习、大语言模型及多模态架构。本文批判性地评估了基于人工智能的毒性预测的证据基础,分析了当前面临的挑战,并探讨了向下一代风险评估迈进的发展轨迹。在PubMed/MEDLINE、Web of Science和Scopus(2000–2026年)进行了结构化文献检索,并以OECD、FDA、EMA、EFSA和EPA的指南文件作为补充。研究的选择依据为方法论质量、外部验证数据的可获得性以及法规相关性。图神经网络、多任务深度学习及相关人工智能方法在药物诱导性肝损伤(DILI)、hERG心脏毒性和Ames致突变性等选定基准研究中表现出有竞争力的性能,尽管在不同数据集和验证设置下性能差异显著。SHAP等可解释人工智能框架正致力于将模型输出与不良结果途径(AOPs)相衔接。联邦学习实现了保护隐私的多机构协作,MELLODDY联盟已对此进行了示范。关键差距仍然存在:外部验证的报告不一致,特定终点模型泛化能力不足,以及大语言模型中的幻觉问题带来的尚未解决的监管风险。人工智能正成为毒理学科学中日益重要的组成部分,尽管其常规应用准备程度因方法和终点而异。实现这一潜力需要遵循TREAT验证原则并持续进行监管参与。人工智能模型可以辅助,但尚不能完全替代实验毒理学。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号