近日，南京大学环境学院史薇教授团队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，在PNAS上发表。

　　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。

　　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。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。

图2 因果机制整合的多终点毒性预测框架

　　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，包括南京大学、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等项目的资助。

　　论文链接：https://www.pnas.org/doi/abs/10.1073/pnas.2608919123