具有不确定性诊断的集成图变换器/描述符融合模型用于大型溞急性毒性三元分类筛选

《Environmental Pollution》：An Ensemble Graph-Transformer/Descriptor-Fusion Model with Uncertainty Diagnostics for Ternary Class Screening of Daphnia magna Acute Toxicity

　　

**亮点**
- GTFCN 将基于图的表示与全局理化描述符相融合
- 自适应门控机制实现了图信息与描述符信息的互补融合
- GTFCN 在测试集上的准确率达到 70.6%，在外部测试集上的准确率达到 71.4%
- 扰动分析与配对匹配分析增强了基于归因的可解释性
- 基于验证集的预测熵支持了具有不确定性感知的毒性筛选

**引言**

在现代社会，化学物质的生产和使用急剧增加，给我们的日常生活和环境带来了重大变化。自19世纪初以来，全球已报告的具有明确分子结构的物质超过2.04亿种（CAS Content, 2026）。到2020年，全球注册的工业化学品已超过35万种（Wang等, 2020）。释放到环境中的化学物质数量和种类持续增长，但其中大多数缺乏关于暴露水平和毒性特征的综合数据，使我们对它们环境影响的理解存在关键空白。水生生态系统尤其容易受到工业、农业和制药来源污染的侵害，对生物多样性和生态系统基本服务功能的提供构成重大威胁（Mo等, 2022）。由全球数千种工业和天然化学物质造成的淡水系统广泛污染，正日益成为人类面临的关键环境问题之一（Schwarzenbach等, 2006）。因此，评估新引入化学品对水生生态系统的影响至关重要。

在标准测试生物中，淡水甲壳类动物大型溞（Daphnia magna）因其生态学相关性、对污染物的高敏感性、短生命周期以及孤雌生殖能力，被国际公认为急性毒性测试的关键物种（OECD, 2004）。使用大型溞进行的48小时急性麻痹试验是全球环境风险评估框架的基石，包括欧盟的《化学品注册、评估、授权和限制法规》（REACH）、美国的《有毒物质控制法》（TSCA）以及《全球化学品分类和标签统一制度》（GHS）。该试验被广泛用作新化学品和现有化学品危害鉴定的主要筛查工具（ECHA, 2017; Reilly等, 2023）。

尽管该试验在法规上被广泛接受，但通过实验测定大型溞的毒性仍然是一个耗费大量资源、耗时且存在伦理争议的过程。值得注意的是，每天约有12,000种新化学物质被添加（Wu等, 2022）。这些限制催生了计算机模拟方法的发展，特别是定量结构-活性关系（QSAR）模型，该模型将分子描述符或指纹与生物活性相关联，从而实现快速、低成本且无需动物的危害预测（Jia等, 2023; Zhu和Ciallella, 2019）。例如，Reenu等（2015）使用量子化学描述符开发了回归模型，以预测对大型溞的急性毒性。Cappelli等（2020）使用简化分子线性输入规范（SMILES）作为输入生成分子描述符，并采用蒙特卡罗方法开发了预测性QSAR模型。此外，QSAR建模现已正式获得经济合作与发展组织（OECD）QSAR验证原则的认可，并越来越多地整合到化学品优先排序和结构类比推演的监管决策中（ECHA, 2017; OECD, 2007）。

迄今为止，大多数报道的大型溞毒性QSAR模型依赖于连续回归（例如，预测pLC50，即半数致死浓度的负对数）或二分类，后者通常将毒性简单地归类为"有毒"和"无毒"（Cassotti等, 2014; Jia等, 2022; Yu, 2023）。例如，Khan和Roy（2019）开发了回归模型来预测多种农药对大型溞的毒性，报告的R2值在0.70到0.79之间。同样，Yu的模型使用摩尔浓度作为响应变量，达到了0.769的R2值（Yu, 2023）。然而值得注意的是，同一化合物的LC50值在不同研究中可能表现出相当大的变异性，这是由于实验方案、环境条件和其他混杂因素的差异所致（表S1）。这种固有的数据不一致性使得组装开发稳健可靠回归模型所需的大规模高质量数据集变得极其困难。

与此同时，基于分类的方法通过离散化降低了对数值噪声的敏感性，提供了一种替代策略。值得注意的是，Khan等（2019）使用从523种农用化学品数据集中获得的10个二维分子描述符，开发了一个二分类毒性模型，该模型表现出相当不错的性能。最近，He等（2019）汇编了一个包含639种农药的数据集，开发了一个专门针对农药的QSAR模型，采用三分类方案，在所有毒性类别和整体数据集上都展示了强大的预测准确性。关键的是，这类多类别方法比二分类或纯基于回归的方法更好地反映了生态危害的分级特性。全球化学品分类和标签统一制度（GHS）等监管框架明确基于LC50值定义了三个急性水生毒性类别（类别1：≤ 1 mg/L；类别2：>1至10 mg/L；类别3：>10至100 mg/L）（联合国, 2025）。然而，这两种模型均局限于农用化学品或农药领域，可能无法迁移到其他化学类别（Wang等, 2021）。目前迫切需要一种广泛适用的三分类模型。该模型应与监管标准（如GHS）保持一致，同时在多样化的化学空间上进行训练，以支持超越农药专用应用的稳健、可推广的危害评估。

深度学习通过从图、SMILES或三维构象中学习表示，扩展了传统的基于描述符的QSAR方法。基于图神经网络（Ketkar等, 2023）、图Transformer（Teng等, 2023）和等变架构（Cremer等, 2023）的最新进展，多模态融合为本架构提供了强大的动机。具体来说，D-MPNN、FP-GNN和MolFPG等模型已经展示了将分子图与各种描述符或指纹整合的优势。因此，本研究在表示层面评估多模态融合，将图导出的嵌入与全连接网络（FCN）导出的描述符嵌入相结合。本研究的主要目标是开发和严格评估一种具有不确定性感知的三分类筛查模型，用于预测大型溞的急性毒性。具体而言，我们旨在：（i）确定图卷积网络-Transformer图分支与描述符全连接网络分支的门控融合是否相较于匹配的基线模型和分支消融模型能提高预测性能；（ii）表征原子注意力模式、描述符置换重要性和门控输出，作为模型归因可视化；（iii）使用五种子深度集成评估概率校准、错误检测和选择性预测性能，其中不确定性阈值独立于测试集选定。所提出框架的实际效用通过外部数据集进一步评估，突显了其支持化学品筛查、绿色化学和生态风险评估的潜力。

**章节片段**

*毒性数据*

大型溞的急性毒性数据提取自三个来源：（1）美国环保署（EPA）生态毒性数据库（ECOTOX）的公开记录（表S1）；（2）《农药手册》（第十七版）（Turner, 2015）；以及（3）Yu报道的一个包含1,517个实验得出的48小时急性毒性值的大型数据集，以pLC50（mol/L）表示（Yu, 2023）。在EPA数据集中，明确基于死亡率而记录的48小时EC50值……

*数据分布*

为研究数据集的结构多样性和组织情况，基于ECFP4指纹计算了成对Tanimoto相似度，进行了无监督聚类，并在多面板图中可视化了结果（图2）。成对Tanimoto相似度的分布揭示了高度的结构多样性（图2a），大多数化合物对表现出低相似度（均值=0.081，中位数=0.073）。这表明结构冗余极少，且……

**结论**

本研究开发了GTFCN，这是一种混合深度学习框架，整合了基于图的分子表示、远程原子相互作用和全局理化描述符，用于预测大型溞的急性毒性三分类。使用1,801种化合物和基于指纹的聚类划分，GTFCN在内部测试集上达到了70.6%的准确率，在外部测试集上达到了71.4%的准确率。在匹配的数据划分和重复评估下，GTFCN相较于匹配的基线模型显示了可测量的改进……

**CRediT作者贡献声明**

文俊桂：写作——审阅与编辑，监督，资源，项目管理，资金获取，概念构思。
蒋雨瑶：调查研究。
曹青怡：数据整理。
李舒颖：验证，项目管理，数据整理。
俞海波：写作——审阅与编辑，监督，资源。
温泽新：写作——初稿撰写，方法论，调查研究，形式分析，数据整理。
杨蓉：验证，数据整理。
陈瑞东：调查研究，数据整理。
陈雨萱：未引用参考文献。

**未引用参考文献**

Cai等, 2022; Jacob等, 2025; Reenu, 2015; 美国环保署, 2021; 联合国, 2025; Yang等, 2019。

**利益冲突声明**

作者声明与本手稿无相关的利益冲突。

**数据可用性**

原始EPA毒性记录提供在表S1中。来源于文献的数据集可从Yu等（2023）获取（https://doi.org/10.1016/j.envres.2023.117239）。来源于《农药手册》的数据不能重新分发，因为它是一个专有数据库。本研究对应的源代码已在GitHub上公开：https://github.com/Gwilym88/GTFCN-Daphnia-Acute-Toxicity。

**生成式AI和AI辅助技术的使用**

本手稿的撰写过程中未使用任何AI软件。

**利益冲突声明**

? 作者声明，他们没有已知的竞争性经济利益或个人关系，这些关系可能被认为会影响本文所报告的工作。

**致谢**

本研究由浙江省自然科学基金（编号：LZ23C140001）提供资金支持。

温泽新 | 杨蓉 | 陈瑞东 | 陈雨萱 | 蒋雨瑶 | 曹青怡 | 李舒颖 | 俞海波 | 文俊桂