TRIDENT-2 用 56 万条毒性测定数据跨真核生物预测化学毒性，平均中位绝对误差为 1.76 至 3.80
核心概要
作者提出多模态人工智能模型 TRIDENT-2，在覆盖 82,775 种化学品、6,793 个物种和多种暴露情景的 560,780 条毒性测定数据上训练，用于预测进化上多样化的真核生物的化学毒性，报告的平均中位绝对误差为 1.76 至 3.80，并在较大的化学与分类学距离上保持准确，从而可为现有实验证据之外的物种和化学品提供毒性评估。
深度剖析
作者构建并训练了 TRIDENT-2，一个用于预测跨真核生物化学毒性的多模态人工智能模型。 与以往面向有限物种或化学品范围的毒性预测相比，该模型明确以进化上多样化的真核物种为预测对象，并同时纳入化学、生物与实验信息。 摘要报告训练数据为 560,780 条毒性测定，覆盖 82,775 种化学品、6,793 个物种和多种暴露情景；本次加载文本仅为摘要，未包含模型结构、验证划分或基线比较的细节。
TRIDENT-2 在跨真核生物毒性预测中报告的平均中位绝对误差为 1.76 至 3.80。 该误差区间为跨物种毒性预测提供了一个可引用的量化精度参照，而此类预测在数据稀缺的物种上此前难以获得。 误差数值直接来自摘要所述结果；由于加载文本未提供误差的单位、评估数据集构成或统计不确定性，读者需回到原文确认这些细节。
通过联合学习化学、生物与实验信息，模型在较大的化学与分类学距离上仍保持准确，可对现有实验证据之外的物种和化学品给出毒性评估。 这使毒性评估的适用范围从已有实验覆盖的物种和化学品，扩展到证据尚缺的物种与化学品组合。 摘要以“remains accurate across broad chemical and taxonomic distances”表述该外推能力，但未给出距离度量方式或外推测试的具体设置。
作者认为该结果表明人工智能有助于克服生态毒理学中长期存在的数据限制，并可支持决策、减少化学品对生物多样性与生态系统的影响。 这把方法学进展与生物多样性保护的政策和管理需求联系起来，而不只是提升单一预测任务的精度。 这是摘要层面的结论性表述，属于作者对应用前景的判断；加载文本未包含决策应用或生态影响的实证评估。
启示与展望
该工作面向生态毒理学与化学品风险评估场景，适用于需要为缺乏实验数据的物种或化学品估计毒性的使用者，例如生态风险评估与生物多样性保护相关的研究和管理工作。其价值主张是让现有实验证据之外的物种和化学品也能获得毒性评估，从而支持决策。是否适用于特定监管框架下的具体判定，取决于原文中未在摘要呈现的验证细节。
加载文本仅为摘要，未包含图表、模型结构、数据划分、基线比较与误差单位，因此无法判断 1.76 至 3.80 的具体含义与可比性，也无法确认“在较大化学与分类学距离上仍准确”的度量方式。读者仍需关注：预测在训练数据稀少的分类群上表现如何，误差在不同暴露情景下是否一致，以及模型输出如何与现有生态风险评估流程衔接。这些属于需要原文进一步回答的开放问题。