Each language version is independently generated for its own context, not a direct translation.
这是一篇关于**“如何用人工智能（AI）预测化学物质是否会破坏人体激素系统”**的研究论文。
为了让你轻松理解，我们可以把这项研究想象成**“在茫茫化学海洋中，寻找能干扰人体‘激素指挥官’的捣乱分子”**。
1. 背景：为什么要做这个？
- 激素指挥官（核受体）： 人体里有一群特殊的蛋白质，叫“核受体”。它们就像身体里的指挥官，负责指挥生长、繁殖和代谢。
- 捣乱分子（环境激素）： 很多化学物质（比如塑料里的添加剂、农药等）会冒充信号，欺骗这些指挥官，导致身体生病（比如不孕、发育异常）。
- 传统方法的困境： 以前，科学家要测试一种新化学物质是否有害，得拿老鼠做实验。这既慢、贵，又不人道。
- 新希望（Tox21 数据库）： 美国有一个叫"Tox21"的大项目，像是一个巨大的化学图书馆，里面存了成千上万种化学物质的测试数据。科学家想利用这个图书馆，训练 AI 来代替老鼠做实验。
2. 研究做了什么？（一场“选美大赛”）
研究人员想找出哪种 AI 模型最擅长从化学图书馆里识别出这些“捣乱分子”。他们举办了一场AI 模型选美大赛：
- 参赛选手（AI 模型）：
- 传统派（机器学习）： 像随机森林（RF）、XGBoost。它们像经验丰富的老侦探，擅长分析具体的化学特征（比如分子长什么样、有什么官能团）。
- 深度派（深度学习）： 像 DGCL。它们像能看懂分子“骨架结构”的专家。
- 未来派（Transformer/大模型）： 像 ChemBERTa、MolRAG。它们像读过无数化学书的“超级学霸”，直接把化学分子式当成语言来读。
- 考试题目（数据）： 他们从 Tox21 图书馆里挑出了18 种不同的“激素指挥官”，整理了43 套不同的考题（数据集）。
- 评分标准： 因为“捣乱分子”在化学海洋里很少见（就像大海里找针），所以不能只看“猜对多少”，要看**“找针的能力”**（F1 分数）。
3. 比赛结果：谁赢了？
比赛结果很有趣，取决于**“捣乱分子”有多难找**（数据不平衡程度）：
- 情况 A：捣乱分子稍微多一点（>10%）
- 赢家： 传统派侦探（随机森林、XGBoost）。
- 原因： 当样本够多时，老侦探们只要把分子的“特征描述”（比如分子大小、电荷等）和“指纹”结合起来，就能非常精准地抓出坏人。
- 情况 B：捣乱分子很少（5%-10%）
- 赢家： 深度派专家（深度学习模型）。
- 原因： 当坏人很少时，老侦探容易迷路，但深度学习模型更擅长在稀疏的线索中挖掘规律，表现更稳健。
- 情况 C：捣乱分子极少（<5%）
- 结果： 没有绝对的赢家。这时候，模型好不好用，完全看运气和具体是哪种化学物质。
- 关于“未来派”（大模型）： 虽然它们很聪明，但在这次比赛中，并没有打败传统的“老侦探”。可能是因为它们还没专门针对这种“找坏人”的任务进行足够的特训。
4. 为什么有些 AI 会“看走眼”？
研究人员发现了一个有趣的现象：
- 孤独的捣乱分子： 大约有40%被 AI 误判的“捣乱分子”，在化学世界里是“孤岛”。
- 比喻： 想象一下，你要教 AI 识别“苹果”。如果训练集里全是红苹果，突然来了一个长得像外星水果的绿苹果（在化学结构上和其他苹果毫无相似之处），AI 就会懵圈，因为它没见过这种“亲戚”。
- 结论： 如果一种化学物质长得太独特，在化学世界里没有“邻居”，AI 就很难学会识别它。
5. 实战演练（外部验证）
为了证明这些 AI 不是只会做“模拟题”，研究人员拿真实的人体实验数据（体外和体内实验）来考它们。
- 结果： 对于雄激素（AR）和雌激素（ERα）的激活作用，AI 的表现和真实实验非常吻合，就像是一个靠谱的预言家。
- 不足： 对于某些复杂的抑制作用（比如体内环境下的雄激素抑制），AI 表现稍差。这是因为体内的环境太复杂（涉及代谢、血液循环等），而 AI 主要是在简单的“试管环境”（体外数据）里训练的，就像只在水池里练过游泳的运动员，直接扔进大海可能会不适应。
6. 总结与意义
- 核心发现： 没有一种 AI 是万能的。数据里“坏人”多不多，决定了该用哪种 AI。 对于大多数情况，**“特征描述 + 传统机器学习”**依然是目前的王者。
- 未来展望： 这项研究告诉我们，要开发更好的 AI 工具，不仅要选对模型，还要解决**“化学孤岛”**的问题（即增加更多样化的训练数据）。
- 最终目标： 让 AI 成为**“化学界的排雷兵”**，帮助我们在不伤害动物的前提下，快速筛选出安全的化学品，保护人类健康和环境。
一句话总结：
这就好比给 AI 们发了一张巨大的“坏分子通缉令”，研究发现：当坏人多时，用老练的侦探（传统机器学习）最有效；当坏人少时，用敏锐的专家（深度学习）更靠谱；但如果坏人长得太怪（结构太独特），再聪明的 AI 也会抓瞎。
Each language version is independently generated for its own context, not a direct translation.
这是一份关于利用人工智能模型预测核受体（Nuclear Receptors, NRs）活性的基准研究论文的详细技术总结。该研究基于 Tox21 项目的高通量筛选数据，系统评估了多种机器学习（ML）、深度学习（DL）及基于 Transformer 的模型在预测内分泌干扰物（EDCs）活性方面的表现。
1. 研究背景与问题 (Problem)
- 核心挑战：核受体是调节发育、生殖和代谢的关键转录因子，也是外源性内分泌干扰物（EDCs）的主要靶点。传统的动物实验成本高、耗时长且存在伦理问题，因此亟需可靠的**体外（in vitro）和计算机模拟（in silico）**方法来筛选和优先排序潜在的 EDCs。
- 现有局限：
- 现有的 Tox21 预测研究多基于较旧的 Tox21 数据挑战赛数据集，该数据集覆盖的核受体数量有限，且未区分激动剂（agonist）和拮抗剂（antagonist）活性。
- 大多数现有研究仅关注狭窄的模型架构和化学特征表示，缺乏对不同数据集特征（如类别不平衡）下模型性能的全面基准测试。
- 新兴的基于 Transformer 的化学语言模型（如 ChemBERTa, MolFormer）在分子属性预测中展现出潜力，但其在核受体活性预测中的表现相对于传统 ML 和 DL 模型尚未经过系统评估。
- 研究目标：利用最新的 ToxCast invitrodb v4.3 数据库，系统基准测试多种 AI 模型（ML, DL, Transformer）结合不同化学特征表示（描述符、指纹、图结构）在 18 种核受体上的预测性能，并分析影响模型性能的关键因素（如类别不平衡、化学空间结构）。
2. 方法论 (Methodology)
2.1 数据收集与处理
- 数据来源：从 ToxCast invitrodb v4.3 中筛选出与 18 种核受体相关的 30 个 Tox21 assays。
- 数据集构建：
- 共筛选出 8430 个有效化合物（去除了无效结构、盐分和重复项）。
- 生成了 43 个生物活性数据集（包括激动剂、拮抗剂及组合活性）。
- 活性定义：基于 hit-call (hitc) ≥ 0.9 定义为“活性”，否则为“非活性”；排除“不确定”标签；对于同时有激动剂和拮抗剂数据的受体，合并为组合活性。
- 化学特征表示：
- 指纹 (Fingerprints)：MACCS, Morgan (ECFP4, FCFP4), Layered。
- 描述符 (Descriptors)：使用 PaDEL 和 RDKit 计算的 2D 和 3D 描述符（共 2106 个）。
- 图结构：基于 SMILES 构建分子图，用于图神经网络。
2.2 模型架构
研究评估了三大类模型，每类结合不同的特征输入：
- 传统机器学习 (ML)：7 种算法（逻辑回归、决策树、随机森林 RF、梯度提升 GBT、XGBoost、支持向量机 SVM、多层感知机 MLP）。输入包括描述符、指纹或两者组合。
- 深度学习 (DL)：
- DGCL (Dual-graph neural networks contrastive learning)：一种自监督图神经网络，结合 GAT 和 GIN 架构，输入为分子图 + 描述符/指纹。
- 基于 Transformer 的模型：
- ChemBERTa：基于掩码语言预训练的编码器。
- MoLFORMER：在大规模 PubChem/ZINC 数据上预训练的 Transformer。
- MolRAG：结合检索增强生成（RAG）和思维链（Chain-of-Thought）推理的大语言模型（基于 Llama 3），利用检索到的相似分子及其活性信息辅助预测。
2.3 实验设置与评估
- 数据划分：采用分层抽样（Stratified Sampling）进行训练/验证/测试集划分（80/10/10 或 80/20），使用 3 种随机种子以确保稳定性。
- 类别不平衡处理：
- 使用 SMOTE（合成少数类过采样技术）生成合成样本。
- 使用 Focal Loss 和类别权重优化 Transformer 模型。
- 主要评估指标为 F1 分数（平衡精确率和召回率），辅以 AUC-ROC, AUC-PR, MCC 等。
- 适用域分析 (Applicability Domain, AD)：基于 k-近邻（k-NN）距离计算 DA 指数，过滤不可靠预测。
- 外部验证：使用 NTP ICE 数据库中的体内（in vivo）和体外（in vitro）雄激素受体（AR）及雌激素受体（ERα, ERβ）数据进行验证。
3. 关键贡献 (Key Contributions)
- 全面的数据基准：首次系统性地利用 ToxCast invitrodb v4.3 中的 18 种核受体、30 个 assays 及 43 个组合数据集进行了大规模基准测试。
- 多维度模型对比：涵盖了从传统 ML 到最新 Transformer 和 LLM（MolRAG）的广泛模型架构，并对比了不同化学特征（描述符 vs. 指纹 vs. 图）的影响。
- 类别不平衡与模型性能关联分析：深入揭示了活性化合物比例（类别不平衡程度）对模型性能的决定性影响，并区分了不同比例区间（>10%, 5-10%, <5%）的最佳模型选择策略。
- 化学空间拓扑分析：通过化学相似性网络（CSN）分析发现，约 40% 的误分类活性化合物位于结构孤立节点（无相似邻居），揭示了模型泛化能力的结构性瓶颈。
- 外部验证与文献综述：提供了模型在独立体内/体外数据集上的泛化能力验证，并通过系统文献综述将本研究结果与现有工作进行了横向对比。
4. 主要结果 (Results)
4.1 模型性能与特征选择
- 高活性比例 (>10%)：树模型（RF, XGBoost）结合描述符（或描述符 + 指纹）表现最佳，F1 分数最高且稳定。
- 中等活性比例 (5-10%)：**深度学习模型（DGCL）**表现出更强的鲁棒性，在 13 个此类数据集中有 6 个表现最优。
- 严重不平衡 (<5%)：模型性能高度依赖具体数据集特征，无明显统一的最佳模型，F1 分数方差较大。
- Transformer 模型：MoLFORMER表现优于 ChemBERTa 和 MolRAG，但在整体 F1 分数上通常不如基于描述符的树模型。MolRAG 表现较差，部分原因是检索到的相似分子缺乏结构上下文（由于活性分子在化学空间中孤立）。
4.2 类别不平衡的影响
- 整体来看，F1 分数与活性化合物比例呈中等正相关（r=0.68）。
- 当活性比例 >10% 时，相关性很强（r=0.85）；当 <10% 时，相关性消失，表明严重不平衡下，数据本身的特性（如结构多样性）比单纯的类别比例更能决定模型表现。
4.3 误分类分析
- 约 40% 的假阴性（误判为活性的化合物）在化学相似性网络（CSN）中是孤立节点。这表明训练集中缺乏结构相似的活性分子，导致模型无法学习有效的结构特征。
4.4 外部验证
- AR 激动剂：体外和体内验证均表现良好（平均 F1 ≈ 0.73）。
- AR 拮抗剂：体内验证性能下降（F1 ≈ 0.33），归因于体内代谢等复杂生物学过程未被体外模型捕获。
- ERα 激动剂：体内验证表现良好（F1 ≈ 0.74）。
- ERβ 激动剂：体内验证表现较差（F1 ≈ 0.36），主要因为外部数据集主要反映 ERα 介导的效应。
4.5 与现有研究对比
- 本研究在大多数 assays 上的 F1 分数优于或等同于现有文献报道（如 Kim et al., 2022/2024; Ahn et al., 2026）。
- 差异主要源于数据集版本（v4.3 vs 旧版）和更广泛的模型/特征组合评估。
5. 意义与结论 (Significance & Conclusion)
- 指导模型选择：研究为核受体活性预测提供了明确的指南：
- 对于活性化合物较多的数据集，优先使用基于描述符的树模型（RF/XGBoost）。
- 对于中等不平衡数据集，**图神经网络（DGCL）**是更好的选择。
- 对于极度不平衡数据集，需谨慎选择模型并关注数据特性。
- 揭示预测瓶颈：指出结构孤立性是限制模型泛化能力的关键因素，提示未来研究需关注如何增强对罕见结构活性化合物的预测能力（例如通过迁移学习或生成模型）。
- 推动 NAMs 发展：该研究验证了基于 Tox21 数据的 AI 模型在替代传统动物实验（NAMs）中的潜力，特别是在 AR 和 ERα 等关键受体的筛选中。
- 局限性：描述符计算失败会导致数据丢失；SVM 在某些情况下不收敛；MolRAG 受限于通用 LLM 缺乏化学领域预训练；极度不平衡数据的划分策略仍需优化。
总结：这是一项全面且严谨的基准研究，不仅评估了多种 AI 模型在核受体毒性预测中的表现，还深入剖析了数据特征（类别不平衡、化学空间拓扑）对模型性能的影响机制，为开发更可靠的计算机辅助毒理学工具提供了重要的理论依据和实践指导。