颜彩琴，范睿琦，宁雨坪，郭 宪，王 凯

（1.天津中医药大学中药学院，天津 301617；2.南开大学人工智能学院，天津 300350）

中药潜在毒性成分的预警在中药新药研发、安全使用及风险防控决策等方面具有重要意义。目前用于药物毒性成分预警的方法和手段主要包括实验方法和计算机预测方法。实验方法主要是在实验室中进行动物实验及体外细胞实验，耗损率高，周期长，经济效益低[1]。计算机预测方法是利用机器学习模型直接对药物毒性进行预测，无需进行大量实验，经济效益高[2]。近年来，随着训练数据的增多，机器学习技术得到快速发展。

早期用于毒性预警的机器学习方法是将药物分子进行编码，然后输入到传统机器学习算法架构的模型中，常见的有支持向量机（support vector machine，SVM）模型、随机森林（random forest，RF）模型、朴素贝叶斯模型、决策树模型和k-近邻模型。传统机器学习模型的优点是需要的数据量少，模型训练快，然而其表征能力有限，预测准确度较低[3]。随着深度学习（deep learning，DL）算法，也称为深度神经网络（deep neural network，DNN）的发展，DL模型逐渐替代传统机器学习模型用于药物毒性的预测[4]。与传统机器学习模型相比，DL模型通过构建多层人工神经网络（artificial neural network，ANN），从大量的数据中自动学习毒性化合物的结构特征，其准确性和可靠性得到极大提升。本文综述了DL模型基于“结构预警子-毒性”关系预测化合物潜在毒性的机制以及在药物分子毒性预测和毒理学研究中的具体应用，并提出DL模型在中药毒性预警中的挑战和展望，以期借助人工智能技术保障上市中药临床应用的安全性。……