维度网讯，美国德州农工大学的研究人员近期开发出一套人工智能系统，能在预测化学品毒性的同时估算每次预测的可靠性。该研究由德州农工大学兽医学与生物医学科学学院（Texas A&M College of Veterinary Medicine and Biomedical Sciences）的团队完成，相关工作已发表在《自然·通讯》（Nature Communications）上。

研究由德州农工大学兽医生理学与药理学系（Texas A&M Department of Veterinary Physiology and Pharmacology）教授Weihsueh Chiu博士领导。研究旨在解决毒理学领域一个长期存在的挑战：大量在商业中使用的化学品缺乏全面的安全数据。传统的化学品安全评估依赖动物研究或长期人类流行病学研究，这两种方式都需要大量时间和资源，导致许多化学品的研究仍不充分。

为解决这一问题，研究人员开发了被称为定量结构-活性关系模型的机器学习模型。这类模型利用化学品的结构来估算安全暴露水平。Chiu团队还通过设计依赖水溶性、生物降解性和毒性指标等熟悉化学性质的模型，提高模型的透明度，而非仅依赖抽象的分子描述符。最新进展整合了不确定性感知的机器学习功能，使模型能够估算每次预测的置信度，置信度取决于现有相似化学品数据的数量和质量。据Chiu介绍，理解不确定性至关重要，因为具有相似预测毒性水平的化学品，如果某一预测基于有限的支持数据，其风险水平可能存在差异。这些模型会生成一系列可能结果，帮助研究人员识别需要进一步研究或专家审查的化学品。

在应用于超过12.6万种化学品后，模型识别出毒性和不确定性方面的模式。研究人员发现，金属、多氯化合物以及全氟和多氟烷基物质（PFAS）因数据有限或化学行为复杂，经常表现出较高的不确定性水平。德州农工大学的研究人员认为，这些发现有助于将未来的测试工作引导至科学知识有限的领域。该方法支持分层评估过程，先由人工智能对大规模化学品进行筛查，再由专家聚焦于呈现较高风险或较大不确定性的物质。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com