致突变性预测：QSAR + read-across + 深度学习的可解释流水线（Enalos 云平台）

RSC Advances · 2026-09-09 · 期刊论文 · Varsou DD 等

• 目标：以 Ames 试验（细菌基因突变）数据构建非动物替代方法（NAM），支撑"安全可持续设计（SSbD）"化学品，在早期识别潜在危害物；数据做了立体特异性整理。
• 三条并行建模路线：

1. XGBoost（分子描述符）；
2. 图卷积神经网络（GCN）（分子图）；
3. read-across（基于 guided-kNN，用指纹与描述符双表示选邻居并生成预测）。

• 融合：三模型多数投票，外部验证准确率 83%，可降低单一模型偏置。
• 可解释性：用 XAI 解释关键描述符，为致突变机制提供线索并增强使用者对预测的信任。
• 看点："多表示 + 多模型 + 可解释"已是当前计算毒理学的工程化范式；若要做自己的 NAM 工具，这是可直接借鉴的架构。
• 🔗 打开原文

本文摘自《每日前沿研究简报 · 2026-09-11》「六、化学信息 / 药物发现：药物警戒与机制探针」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。