1. 药物毒性预测与风险评估工程导论
药物毒性预测与风险评估工程，是把毒理学、药代动力学、化学信息学、统计建模与法规科学组织成一条可重复、可审计的工程链路，用来回答三个问题：这个候选分子可能产生什么毒性？在什么暴露水平下风险可接受？需要哪些证据才能支持继续开发或终止开发？它既不是单纯的机器学习竞赛，也不是把动物实验数据搬进表格，而是把"预测—验证—决策"变成可追溯的工程过程。
课程定位：从"毒性现象"到"可决策的风险证据"
传统毒理描述往往停留在"某化合物在高剂量下出现肝损伤"这一层。工程化视角要求进一步回答：损伤的剂量—暴露关系如何？是否有人体相关暴露窗口？预测模型的不确定性有多大？如果证据不足，下一步应补做哪项实验或哪类模型？因此本课程的核心定位是证据工程：把分散的体外、体内、计算与临床数据，转化为支持"继续、暂停、终止、加做试验"的决策依据。
课程覆盖的主线包括：毒性终点体系（肝、心、肾、遗传、致癌、生殖等）、暴露与剂量概念（Cmax、AUC、NOAEL、安全边际）、预测方法（QSAR、read-across、PBPK、机器学习）、评估框架（ICH、OECD、FDA/EMA 指南）以及不确定性管理。学习者最终应能独立完成一份结构化的毒性风险评估草案，并说明每个结论的证据强度与局限。
核心任务：四类可交付成果
工程化流程的产出不是"一个模型"，而是四类可交付成果：
- 毒性假设清单：基于结构警示、靶点生物学、代谢路径，列出最可能出现的 3～5 个毒性终点，并标注优先级。
- 预测与证据表：每个终点对应模型预测值、实验数据、文献 read-across 结果、置信等级。
- 暴露—风险关系：把预测或实测的毒性阈值与人体预期暴露做比较，给出安全边际（MOS）或暴露比。
- 决策建议与后续实验设计：明确"当前证据是否足够"，不足时给出最小必要实验组合。
这四类成果贯穿整个课程，后续章节会分别展开其技术细节。
工程化流程：从分子到决策的闭环
一个可复用的毒性评估流程通常包含六个环节：分子表征 → 毒性假设生成 → 预测与证据整合 → 暴露评估 → 风险表征 → 决策与迭代。其中"预测与证据整合"不是简单取平均值，而是按证据权重（WoE）分级：体外高内涵数据、动物实验、人体流行病学、计算模型各有不同的可信度权重。
以肝毒性为例，假设某候选化合物在 10 μM 下出现线粒体膜电位下降（体外），大鼠 14 天试验中 100 mg/kg 出现 ALT 升高（体内），QSAR 模型给出肝毒性概率 0.72。此时不能直接判定"有肝毒性"，而应计算人体预期 Cmax 与体外毒性浓度的比值，并评估动物暴露倍数。若人体 Cmax 仅为 0.5 μM，体外毒性浓度 10 μM，则体外安全边际为 20 倍；但若动物 ALT 升高时 AUC 仅为人体预期 AUC 的 3 倍，则体内安全边际不足，需要进一步做胆汁酸转运抑制或更长期试验。
关键挑战：不确定性、数据缺口与种属外推
工程化评估面临的最大困难不是"没有模型"，而是不确定性无法被诚实表达。常见挑战包括：
- 数据缺口：多数候选分子只有体外数据和短期动物试验，缺少生殖、致癌等长期终点数据。
- 种属外推：大鼠 NOAEL 到人体安全起始剂量的换算涉及体表面积、代谢差异、受体亲和力差异，通常需要 10 倍安全系数，但该系数并非普适。
- 模型适用域：QSAR 模型对训练集外的化学空间预测可靠性下降，必须报告适用域（AD）覆盖情况。
- 暴露不确定性：人体 Cmax 预测受首过效应、蛋白结合、组织分布影响，PBPK 模型参数不确定性可能达数倍。
- 低剂量外推：从高剂量动物数据外推到低剂量人体暴露，线性与非线性假设会导致截然不同的结论。
应对策略不是追求"零不确定性"，而是把不确定性量化并纳入决策：例如用蒙特卡洛模拟给出 MOS 的分布，而非单一数值；用贝叶斯方法整合历史数据更新先验概率。
伦理与法规框架：预测结果必须可解释、可追溯
药物毒性评估直接关系受试者安全，因此伦理与法规要求贯穿始终。核心原则包括：
- 3R 原则：替代（Replacement）、减少（Reduction）、优化（Refinement）动物实验。计算预测和体外模型应优先用于筛选，减少不必要的动物使用。
- GLP 与数据完整性：用于法规申报的毒理数据必须符合良好实验室规范，原始数据可追溯，电子记录需符合 21 CFR Part 11 要求。
- ICH 指南体系：ICH M3(R2) 规定支持首次人体试验的非临床安全评价内容；ICH S 系列规定遗传毒性、致癌性、生殖毒性等具体试验要求。
- OECD QSAR 验证原则：预测模型需满足明确终点、算法透明、适用域定义、拟合优度与稳健性、机制解释五项要求，才可用于法规替代。
- 伦理审查：涉及人体样本或临床数据的研究需通过伦理委员会审查，知情同意与隐私保护不可省略。