二元混合物毒性预测 — Mixture Toxicity

研究背景

环境与食品体系中，抗生素与农用杀菌剂往往共同残留，单一化合物的风险评价难以覆盖混合暴露场景。二元混合物可能产生协同、加和或拮抗效应，而实验穷举全部化合物组合与配比的成本很高。浓度加和（CA）与独立作用（IA）模型提供了经典的零相互作用参考，但其预测依赖作用模式假设，难以直接利用分子结构信息。

本项目探索另一条路径：以两个组分的分子结构和混合比例为输入，用机器学习直接预测混合物毒性，再与 CA、IA 参考模型比较、判定相互作用类型，为混合物风险筛选提供计算工具。

研究问题

能否仅根据两个组分的分子结构及混合比例，预测二元混合物的 pEC₅₀？
预训练分子表征 Uni-Mol 与 MACCS、Morgan 等传统指纹相比，能否为当前数据提供更有效的结构信息？
在小样本回归任务中，哪类算法（RF、SVR、XGBoost、LightGBM、MLP、线性回归）更为合适？
机器学习预测结合 CA、IA 参考模型，能否判断混合物的协同或拮抗相互作用？
模型在随机划分、留一交叉验证、应用域和 Y 随机化检验下是否稳健？

我的贡献

整理公开文献中的抗生素—三唑类杀菌剂混合毒性数据（6 种化合物、15 种二元组合、每种 5 个配比，共 75 条记录），并同批整理另外 5 个文献数据集用于流程验证
实现 Uni-Mol 预训练表征与 MACCS、Morgan、组合指纹等多套表征方案，按摩尔分数加权构建混合物特征
系统比较 4 种表征 × 6 类回归算法共 24 组组合，经 Optuna 超参数搜索确定最终 Uni-Mol–LightGBM 模型
对接 R mixtox 计算 CA、IA 参考毒性，通过相对模型偏差比（rMDR）实现协同/拮抗二分类
完成留一交叉验证、Williams plot 应用域分析与 Y 随机化检验，并绘制基于组成比例的 CA/IA 偏离曲面

方法与数据

数据来源。 核心数据来自 Qin 等发表于 Environmental Pollution（2024, 360: 124565）的实验研究：以绿色微藻 Auxenochlorella pyrenoidosa 96 h 生长抑制为毒性终点，覆盖 3 种抗生素（多西环素、红霉素、土霉素）与 3 种三唑类杀菌剂（腈菌唑、丙环唑、戊唑醇）构成的全部 15 种二元组合，等效射线设计下每个组合 5 个混合比例，毒性以 pEC₅₀（= −log₁₀ EC₅₀，mol/L）表示。按原始文献标记划分训练集 54 条、测试集 21 条。选择该数据集的依据是其与研究主题最吻合，且同时提供单体浓度—效应曲线、混合物 pEC₅₀ 与相互作用标签，能够贯通全部流程。

表征与建模。 单体表征比较预训练 Uni-Mol v1 的 512 维 CLS 表征与 MACCS（166 位）、Morgan（1024 位）等传统指纹；混合物表征取两组分表征的摩尔分数加权和 z_mix = p₁z₁ + p₂z₂。回归层比较随机森林、支持向量回归、XGBoost、LightGBM、多层感知机与线性回归，最终选定经 Optuna 优化的 Uni-Mol–LightGBM 模型。

二元混合物 · 建模架构 MIXTURE TOXICITY MODELING

依据流程图 A—C 重绘。按相同表征的对应维度进行比例加权，比较不同表征与回归算法，蓝色强调 Uni-Mol + LightGBM 主线；候选模型不表示集成。输出为混合物 pEC₅₀，分子结构与向量长度仅作示意。

Uni-Mol LightGBM CA / IA rMDR Y-Randomization Williams Plot

关键结果

最终 Uni-Mol–LightGBM 模型在固定测试集上 R² = 0.9323、MAE = 0.1025、RMSE = 0.1276，Pearson r = 0.9732，CCC = 0.9608；训练集留一交叉验证 Q²_LOO = 0.8888
机器学习回归明显优于经典参考模型的同任务表现（CA、IA 直接预测 pEC₅₀ 的测试集 R² 分别为 0.7317 和 0.7750）
基于 CA 和 IA 的 rMDR 相互作用分类在测试集上均正确判断 19/21 个样本，Accuracy 均为 0.905，MCC 分别为 0.806 和 0.826，优于原文献 KKNN 分类器（16/21），与原文献最佳 RF 分类器持平
Y 随机化检验中随机模型测试 R² 为负值（约 −0.42）、平均随机相关系数接近 0，cR²_p ≈ 0.947，说明原模型性能并非来自标签偶然相关
应用域分析（Williams plot）与基于组成比例的 CA/IA 偏离曲面为模型应用范围与相互作用趋势提供了补充诊断

探索路线

除主线外，项目还探索了「t-SNE 降维 + K-means 聚类、分簇建模再合并预测」的路线：轮廓系数在 3 簇时最高（0.7227），但小样本进一步切分后簇内数据更少、过拟合风险上升，合并预测也未形成可靠的增益证据，因此聚类路线作为独立于主模型的补充分析保留。

局限与下一步

本项目是一个完整的科研项目：基于公开实验数据，构建从结构表征、混合物回归到相互作用判定的计算工作流，并对模型的适用范围做出明确界定——

训练集与测试集共享全部 6 种化合物和 15 种二元组合，测试结果反映的是已知化学空间内不同配比的预测能力，不能等同于对新化合物、新组合或独立实验的外部验证
超参数搜索阶段固定测试集曾参与最终模型筛选，测试指标宜表述为「固定留出集上的内部评估结果」，存在偏乐观风险
54 条训练记录对应 512 维表征，样本量小而特征维度高，且同一组合的多个比例点相关，记录级指标可能高估有效样本量
线性加权混合物表示未显式引入分子间交互项；相互作用输出为 SYN/ANT 二分类，未建模独立的加和（ADD）类别

后续工作将以分组交叉验证（leave-one-pair-out、leave-one-compound-out）和独立外部数据为核心，而不是继续提升同一测试集上的分数。