bioRxiv 2026年9月22日该研究构建了一套基于图的QSAR建模流程，整合检测数据预处理、指纹与分子图特征表示，并基准测试经典机器学习、图神经网络、图变换器及其共识集成，用于预测Caspase-3/7激活、线粒体膜电位破坏和FDA药物性肝损伤，其中在DILI预测上Graphormer取得最高F1 0.79、全共识模型取得最高AUC 0.69，超过此前最佳模型的AUC 0.63与F1 0.65，并通过片段富集分析识别出与双重激活及细胞系特异性反应相关的结构基序。该研究构建了一套基于图的QSAR建模流程，整合检测数据预处理、指纹与分子图特征表示，并基准测试经典机器学习、图神经网络、图变换器及其共识集成，用于预测Caspase-3/7激活、线粒体膜电位破坏和FDA药物性肝损伤，其中在DILI预测上Graphormer取得最高F1 0.79、全共识模型取得最高AUC 0.69，超过此前最佳模型的AUC 0.63与F1 0.65，并通过片段富集分析识别出与双重激活及细胞系特异性反应相关的结构基序。基于图的QSAR建模流程：预测体外PubChem检测与体内人体肝毒性及Caspase-3/7激活机制分析该研究构建了一套基于图的QSAR建模流程，整合检测数据预处理、指纹与分子图特征表示，并基准测试经典机器学习、图神经网络、图变换器及其共识集成，用于预测Caspase-3/7激活、线粒体膜电位破坏和FDA药物性肝损伤，其中在DILI预测上Graphormer取得最高F1 0.79、全共识模型取得最高AUC 0.69，超过此前最佳模型的AUC 0.63与F1 0.65，并通过片段富集分析识别出与双重激活及细胞系特异性反应相关的结构基序。该研究构建了一套基于图的QSAR建模流程，整合检测数据预处理、指纹与分子图特征表示，并基准测试经典机器学习、图神经网络、图变换器及其共识集成，用于预测Caspase-3/7激活、线粒体膜电位破坏和FDA药物性肝损伤，其中在DILI预测上Graphormer取得最高F1 0.79、全共识模型取得最高AUC 0.69，超过此前最佳模型的AUC 0.63与F1 0.65，并通过片段富集分析识别出与双重激活及细胞系特异性反应相关的结构基序。