近日，中国人民大学高瓴人工智能学院许洪腾课题组联合军事医学研究院伯晓晨/何松课题组及深势科技高志锋团队，在环境科学领域顶级期刊Environmental Science & Technology发表了题为“Multiscale-Information-Embedded Universal Toxicity Prediction Framework”的研究论文, 并被选为当期的副封面文章。

论文题目：Multiscale-Information-Embedded Universal Toxicity Prediction Framework

论文作者：武连莲#，王钒锰#，张艺馨#，李睿江，赵彦彭，许洪腾*，高志锋*，何松*，伯晓晨*

随着工业化进程的加速，全球化学品数量呈指数级增长，环境污染物的潜在毒性对人类健康和生态安全构成了严峻威胁。传统的毒性评估往往依赖于动物实验，不仅成本高昂、周期漫长，且存在伦理争议。虽然人工智能技术已初步应用于计算毒理学,但现有的毒性预测模型难以有效捕捉分子三维空间信息且在样本稀缺的毒性终点上泛化能力不足，严重限制了其在实际场景中的应用。

针对上述挑战，研究团队提出了一种融合多尺度信息的通用毒性预测框架ToxScan。该框架基于SE(3)等变神经网络，创新性地设计了双层表征学习范式：在分子水平编码宏观指纹特征，在原子水平深度融合二维拓扑与三维构象信息，并通过改进的SE(3)-Transformer 骨干网络在保持旋转和平移等变性的同时，精准捕捉原子间的空间相互作用及几何对称性。在此基础上，ToxScan进一步地引入了多任务学习范式，通过在涵盖众多毒性终点的大规模数据集上进行联合训练，学习跨任务的通用毒理特征，从而显著提升了模型对稀缺数据及复杂毒性终点的预测性能。

实验结果表明，ToxScan在多项基准测试中表现优异，特别是在中小规模数据集上实现了最高37.6%的性能提升。与此同时，ToxScan展现出了敏锐的结构感知能力，能够准确区分结构高度相似但毒性迥异的化合物。此外，研究团队还开发了基于ToxScan的在线预测平台（https://funmg.dp.tech/Toxscan），目前已正式上线并开放使用，从而为科研人员及监管机构提供了一个高效、便捷的毒性评估工具。该项工作有望为分子的毒理学分析和预测提供新的范式，在药物研发、生命健康等领域具有重要应用价值。

本研究工作得到了国家重点研发计划、国家自然科学基金、中国人民大学科研基金、中国人民大学公共计算云平台以及其他相关单位的资助和技术支持。

Environmental Science & Technology为ACS出版社旗下刊物，环境领域顶级期刊，中国人民大学A+类期刊，中科院1区期刊，最新影响因子为11.3。