人工智能在毒理学中的应用：当前进展、挑战与未来方向
核心概要
这篇综述通过检索PubMed/MEDLINE、Web of Science和Scopus（2000-2026年）并补充OECD、FDA、EMA、EFSA和EPA的指导文件，梳理了毒理学中AI从基于规则的专家系统到深度学习、大语言模型和多模态架构的发展，指出图神经网络、多任务深度学习等在药物性肝损伤、hERG心脏毒性和Ames致突变性等基准研究中表现出有竞争力的性能，同时外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉带来监管风险，结论是AI模型可增强但尚不能替代实验毒理学。
深度剖析
该综述系统梳理了AI在毒理学中从基于规则的专家系统到当代深度学习、大语言模型和多模态架构的演进脉络，并评估了AI毒性预测的证据基础。 相对于以往聚焦单一方法或单一端点的综述，本文以结构化文献检索（PubMed/MEDLINE、Web of Science、Scopus，2000-2026年）并补充监管机构指导文件的方式，将方法演进与监管相关性放在同一框架下考察。 属于叙述性综述，证据来自结构化文献检索与监管指导文件，而非新的实验或基准测试数据。
图神经网络、多任务深度学习及相关AI方法在药物性肝损伤（DILI）、hERG心脏毒性和Ames致突变性等选定基准研究中表现出有竞争力的性能。 将AI毒性预测的竞争力定位在具体端点（DILI、hERG、Ames）的基准研究层面，而非泛泛宣称整体优于传统方法。 基于所选基准研究的报告性能，但原文明确指出性能在不同数据集和验证设置下差异很大。
可解释AI框架（如SHAP）正在使模型输出与不良结局路径（AOP）对齐，联邦学习（如MELLODDY联盟）支持隐私保护的多机构协作。 把可解释性与联邦学习作为连接AI预测与毒理学机制框架及跨机构数据协作的路径加以呈现。 以SHAP与MELLODDY联盟为示例性证据，属于方向性综述而非系统性效果评估。
外部验证报告不一致、端点特异性模型泛化困难以及大语言模型幻觉构成尚未解决的监管风险，实现潜力需遵循TREAT验证原则并持续开展监管互动。 将验证规范与监管参与明确列为AI毒理学走向常规应用的前置条件，并给出AI增强而非替代实验毒理学的定位。 基于对现有证据基础的批判性评估与监管指导文件，属于综述层面的判断。
启示与展望
该综述面向毒理学安全性评估的研究者、模型开发者与监管参与者，适用于药物、化学品和环境污染物安全性信号的AI预测这一设定；其结论以结构化文献检索和监管指导文件为基础，用于理解方法演进与就绪程度差异，而非提供可直接套用的操作规范。
原文为摘要层面的文本，未展开具体数据集、样本量、模型架构细节与各端点性能数值，因此不同方法在DILI、hERG、Ames等端点上的实际表现差异难以在此量化；外部验证不一致与端点特异性模型泛化困难的具体范围、大语言模型幻觉在监管场景中的实际影响，以及TREAT验证原则的落地方式，仍是需要持续观察的开放问题。