基于多元线性回归的肼类衍生物毒性预测可解释性增强模型

《Journal of Hazardous Materials Advances》：Enhancing Interpretability in Toxicity Prediction: A Reliable Multilinear Regression Model for Hydrazine Derivatives

　　

本研究旨在构建一种透明的多元线性回归（MLR）模型，用于预测肼类衍生物对大鼠的口服毒性（log LD50）。研究人员利用77种肼类化合物，结合加和性特征（如溴原子、羧基和双键）与非加和性碎片指标，建立了仅包含五个明确定义的结构描述符的预测模型。与以往基于神经网络的定量构效关系（QSAR）方法相比，该MLR模型避免了黑箱效应、数据依赖性和过拟合风险。模型表现出较强的预测准确性，其决定系数（R2）达到0.865，内部验证（Q2LOO）为0.822，外部验证（Q2EXT）为0.841。威廉姆斯图（Williams plot）分析确认了模型的适用域。结构描述符揭示了影响肼类毒性的关键因素：溴原子和羧基的存在显著降低毒性（即增加log LD50值），而双键数量的增加则显著升高毒性。该透明且可靠的模型为化学安全评估提供了直接的毒理学机理解释，相较于复杂机器学习技术具有更高的可重复性和监管适用性。

一、研究背景与问题提出

肼类化合物在航空航天领域作为关键化学推进剂，并在制药和化工行业有广泛应用，例如抗高血压药物肼屈嗪（hydralazine）因其抗肿瘤和抗血管生成特性正成为药物重定位的候选对象。然而，太空作业中的意外泄漏或不完全燃烧常导致严重的土壤、水和空气环境污染；工业上合成染料和农药所使用的有毒苯肼衍生物也会进入环境。这些物质，包括偏二甲肼等推进剂，对生物体具有严重的致突变、致癌和致畸风险。它们对自然氧化和水解的抵抗力导致持久的环境污染，使生态和健康风险评估变得复杂。

暴露于环境中积累的肼类物质对当地生物群构成深远风险。生物体内的代谢活化会产生反应性碳正离子和碳氧自由基，破坏生物蛋白质功能并引发全身中毒。此外，肼类物质可作为基因毒性杂质诱导DNA烷基化及随后的遗传损伤。虽然实验毒理学提供了对这些途径的认识，但传统的实验室检测受到巨大的后勤限制和时间需求的阻碍。完全依赖大规模动物生物测定来评估众多肼类衍生物的毒性，因消耗大量人力和财力资源以及日益增长的动物福利伦理问题而往往不切实际。

定量构效关系（Quantitative Structure-Activity Relationship, QSAR）建模提供了一种计算替代方案，通过将化学描述符与生物学终点相关联。尽管该方法潜力巨大，但针对肼类毒性的综合QSAR预测模型和集中式数据库却出奇地发展不足。现有的QSAR方法通常采用多元线性回归（Multiple Linear Regression, MLR）、支持向量机或人工神经网络。支持向量机常用于材料设计，而人工神经网络模型越来越受青睐于复杂预测任务。然而，标准反向传播神经网络在分子描述符影响力不同或高度共线性时常常表现不佳。MLR则提供了出色的透明度和直接的分子描述符机理解释。

先前Wang等人（2021）开发了一个集成主成分分析和自助重采样的优化反向传播神经网络QSAR模型，用于预测73种肼类衍生物对大鼠的急性毒性。尽管该方法的决定系数（R2）达到0.864，但其依赖于单一拟合方法难以充分捕捉这些化合物的多样复杂毒性机制。此外，该模型受限于描述符选择的关键权衡：过多变量引入严重多重共线性，过少则无法代表关键化学特征。较小的数据集规模也增加了陷入局部最优的风险，并限制了模型超出训练集结构边界的泛化能力。

因此，当前研究旨在构建一个透明的MLR模型，能够仅使用五个明确定义的结构描述符预测肼类衍生物对大鼠的口服毒性。通过结合加和性特征（如溴原子、羧基和双键）与非加和性碎片指标，该模型提供了特定结构组分如何增加或降低毒性的清晰机理解释。与先前的QSAR方法相比，该模型避免了与复杂机器学习技术相关的黑箱效应、数据依赖性和过拟合风险。其对显式、可解释描述符的依赖允许直接的毒理学合理化，提供更高透明度并改善可重复性，使其更适合肼类衍生物的监管应用和机理安全评估。

二、关键技术方法

研究人员采用了以下关键技术方法：

1. 1.
   数据来源与预处理：毒性数据来源于DrugFuture通用化学毒性数据库，仅选用大鼠口服急性毒性数据。排除混合物、聚合物、盐类、络合物及结构不明确的化合物后，初始鉴定出77种肼类化合物。从Wang等人（2021）的数据集中保留了72种化合物进行模型推导，剔除一种化合物后得到58种化合物的校准（训练）集和14种化合物的独立验证（测试）集。此外，还从同一数据库中检索了5种额外的肼类同系物作为外部盲测数据集。
2. 2.
   多元线性回归（MLR）建模：采用MLR方法建立预测模型，将因变量log LD₅₀建模为选定描述符的线性组合。仅保留具有统计学显著性（P < 0.05）的描述符。在回归前分析相关矩阵以减少多重共线性和描述符冗余。
3. 3.
   模型验证与适用域分析：使用QSARINS软件包进行模型开发和评估。通过内部验证指标（如留一法交叉验证Q2_LOO）和外部验证指标（如Q2_EXT）检验模型稳定性和预测强度。利用威廉姆斯图（Williams plot）同时考虑杠杆值和标准化残差来研究模型的适用域，杠杆警告值h* = 3 × (n_descriptor + 1) / n_calibration。

三、研究结果

3.1 模型方程与统计性能

研究人员通过逐步回归最终确定了包含五个描述符的最优MLR模型。该模型的数学方程为：

log LD₅₀ = 2.095(±0.094) + 0.368(±0.047)×Br + 0.373(±0.076)×COOH - 0.348(±0.052)×DB + 0.409(±0.088)×I_Ph-N=N-Ph - 0.284(±0.087)×I_NH-NH-CO

其中，Br代表分子中溴原子的数量，COOH代表羧基的数量，DB代表双键的数量，I_Ph-N=N-Ph是偶氮苯片段的指示变量，I_NH-NH-CO是酰肼片段的指示变量。括号内数值为标准误差。所有描述符的方差膨胀因子（VIF）均小于2，表明不存在严重的多重共线性问题。模型的R2为0.865，调整后R2为0.852，F值为67.3，具有高度统计学显著性（P < 0.0001）。

3.2 内部验证

留一法交叉验证得到的Q2_LOO为0.822，表明模型具有良好的内部预测能力和稳定性。RMSE_tr为0.387，MAE_tr为0.305，显示出训练集预测值与实验值之间的偏差较小。

3.3 外部验证

独立测试集的预测结果表明，Q2_EXT为0.841，RMSE_ext为0.385，MAE_ext为0.329。测试集预测值与实验值的相关性较高，证实了模型具有良好的泛化能力。

3.4 适用域分析

威廉姆斯图分析显示，所有训练集和测试集化合物的标准化残差均在±3个标准差范围内。大多数化合物的杠杆值低于警告值h*（0.310），表明模型具有良好的适用域。仅有个别化合物具有较高的杠杆值，但这些化合物仍位于适用域内，未对模型稳定性产生不利影响。

3.5 描述符的毒理学解释

描述符系数的符号揭示了各结构特征对毒性的影响方向：

• •
  溴原子（Br）和羧基（COOH）的系数为正，表明这些基团的存在会降低毒性（即增加log LD₅₀值）。溴原子的吸电子效应可能降低了分子的反应活性，而羧基的增加提高了水溶性，有利于代谢排泄。
• •
  双键数量（DB）的系数为负，表明双键的增加会提高毒性。双键可能参与Michael加成反应或形成活性代谢中间体。
• •
  偶氮苯片段指示变量（I_Ph-N=N-Ph）的系数为正，表明该片段的存在降低毒性，可能是由于偶氮键的还原裂解产生了易于排泄的代谢产物。
• •
  酰肼片段指示变量（I_NH-NH-CO）的系数为负，表明该片段的存在增加毒性，可能与酰肼基团的亲核性和形成活性中间体的能力有关。

四、讨论与结论

研究人员开发的基于五个结构描述符的MLR模型成功预测了肼类衍生物对大鼠的口服毒性。该模型不仅具有良好的统计性能（R2 = 0.865，Q2_LOO = 0.822，Q2_EXT = 0.841），而且提供了清晰的毒理学机理解释。与Wang等人（2021）的神经网络模型相比，本研究的MLR模型具有更高的透明度和可解释性，避免了黑箱效应和数据依赖性。描述符的物理化学意义明确，可以直接关联到具体的结构-毒性关系，为化学家设计低毒性肼类化合物提供了理论指导。

研究结论指出：该透明且可靠的MLR模型支持化学安全评估，其依赖显式、可解释描述符的特点允许直接的毒理学合理化，提供了更高透明度并改善了可重复性，使其更适合肼类衍生物的监管应用和机理安全评估。未来研究可以进一步扩展数据集，纳入更多结构多样的肼类化合物，以增强模型的泛化能力；同时可以考虑引入量子化学描述符以更精确地表征电子效应对毒性的贡献。