美女自慰

化学物质多终点毒性解析是环境健康领域的重要科学问题。然而，化学物质种类繁多、结构空间庞大，其毒性作用具有多靶点、多通路、多终点协同特征，复杂毒性效应难以系统解析。尽管深度学习为解决这一问题提供了新途径，但受限于毒性机制知识的缺失，现有模型仍依赖“化学结构-单一终点”的统计学习，难以实现多终点毒性的准确、可解释预测。

 近日，美女自慰-美女性爱-美少女做爱 史薇教授团队围绕这一问题，提出因果机制整合的图学习框架，将毒理学因果知识显式嵌入深度学习过程，推动毒性预测由传统的单终点统计学习向基于因果机制的系统级多终点推断拓展。研究成果以“Causality-Integrated Graph Learning for Multi-Endpoint Toxicity Prediction”为题，于2026年10月5日在线发表于《Proceedings of the National Academy of Sciences of the United States of America》（PNAS）。（论文链接：//www.pnas.org/doi/abs/10.1073/pnas.2608919123）

图：因果机制整合的多终点毒性预测框架

在这项工作中，研究团队以内分泌干扰物为代表，融合文献挖掘、毒理数据库和专家知识，构建了贯通分子起始事件-关键事件-不良结局的内分泌干扰知识图谱（EDKG）。在此基础上进一步开发因果机制整合图学习模型EDKG-DL，以化学结构作为化合物特异性输入，通过构建“虚拟扰动图谱”，使信息沿毒理因果网络传播，从而在同一框架下实现内分泌干扰活性识别、多种不良结局预测、剂量效应估计和潜在致毒机制追踪。

因果机制整合的图学习框架在多终点毒性预测中表现出显著优势：预测性能方面，EDKG-DL优于数十种仅依赖化学结构的现有方法，在多终点定性和定量预测中均取得更优表现；泛化能力方面，模型在时间外和跨来源数据中仍保持稳定性能；机制解析方面，能够区分孤立靶点扰动与系统性干扰效应，减少超20万化合物的误判；在规模化应用方面，从567,849种注册化学物中识别出9,510种潜在EDCs，使验证成本降低99.99%、时间缩短93.4%。研究将毒理学知识转化为可计算的因果推理，为复杂毒性解析提供了新的人工智能范式。

该工作通讯作者为史薇教授，第一作者为谭皓月副研究员。该研究汇聚了来自中国、美国、意大利和日本多家机构的合作力量，包括美女自慰 、浙江大学、美国食品药品监督管理局、意大利Mario Negri药理研究所IRCCS以及东京大学等。研究得到了国家自然科学基金、国家重点研发计划、江苏省自然科学基金等项目的资助。

论文信息：

Causality-Integrated Graph Learning for Multi-Endpoint Toxicity Prediction

PNAS，2026

DOI：10.1073/pnas.2608919123

Kudos页面：

//link.growkudos.com/1f0tvlh0xs0