返回成果与获奖
OUTPUT · JOURNAL ARTICLE · REVIEW

AI 驱动的化学品安全性评估：技术范式、应用进展与未来展望

已发表 华东理工大学学报（自然科学版） · 2026;52(4):457–465
第一作者 综述 北大核心

内容简介

人工智能（AI）技术的快速发展正在深刻重塑化学品安全性评估的传统模式。 本文系统综述了 AI，尤其是机器学习和深度学习方法在计算毒理学领域的研究进展与应用现状。 从数据基础、算法体系与模型可解释性这 3 个核心维度， 梳理了 AI 驱动安全性评估技术范式的演进路径， 并结合药物研发、化妆品安全性评估以及环境新污染物治理等典型应用场景， 评述了相关技术从「替代实验手段」向「安全性赋能设计工具」的角色转变； 在此基础上，文章进一步分析了国际监管框架对计算毒理学方法的接受与规范化进展， 探讨了 AI 模型在可解释性、复杂体系评估、系统集成以及伦理与标准化等方面面临的关键挑战。 总之，本文梳理了技术演进脉络，提出了智能毒理系统的概念框架， 旨在为 AI 驱动化学品安全性评估技术的科学研究与监管应用提供系统参考与前瞻性思考。

综述框架

AI 驱动化学品安全性评估 · 综述框架 REVIEW FRAMEWORK
AI 驱动化学品安全性评估技术流程图 流程图分为三层：左侧数据层包含公共数据库、监管数据、文献挖掘和高通量实验四个数据来源，经汇总后流入中间模型层；模型层包含数据采集与处理、分子结构表征、特征选择与降维、模型构建与训练、模型评估与验证、应用域定义六个纵向环节，上方标注 RF、GNN、Transformer 等算法；模型输出分流至右侧应用层的药物研发、化妆品评估和环境管理三个场景；底部为数据反馈与模型迭代闭环，从应用层回流至数据层。 数据层 公共数据库 监管数据 文献挖掘 高通量实验 模型层 RF、GNN、Transformer 数据采集 与处理 分子结构 表征 特征选择 与降维 模型构建 与训练 模型评估 与验证 应用域 定义 应用层 药物研发 化妆品评估 环境管理 数据反馈与模型迭代闭环
依据论文技术流程图重绘。数据层汇聚公共数据库、监管数据、文献挖掘与高通量实验四类来源，经模型层六个环节（数据采集与处理、分子结构表征、特征选择与降维、模型构建与训练、模型评估与验证、应用域定义）完成 RF/GNN/Transformer 等算法建模，输出分流至药物研发、化妆品评估与环境管理三大应用场景，并通过数据反馈与模型迭代形成闭环。

作者

Yang C, Zhang M, Tang Y.

原文链接

https://journal.ecust.edu.cn/article/doi/10.14135/j.cnki.1006-3080.20260311002