J. Hazard. Mater.

DRUGAI

药物诱导的骨毒性是药物研发、临床实践和环境管理中的重要安全风险。然而，目前缺乏针对骨毒性的专用数据集和有效预测算法，导致骨毒性风险评估面临挑战。

2025年3月，吉林大学生命科学学院韩葳葳教授团队在国际著名期刊《Journal of Hazardous Materials》（环境科学与生态学1区Top，IF=12.2）上发表题为《Unveiling drug-induced osteotoxicity: A machine learning approach and webserver》的研究成果。

如图1所示，本研究开发了一种名为BoneToxPD的药物骨毒性预测平台。首先，通过FDA、DrugBank、SIDER和CTD数据库，收集药物相关信息，建立骨毒性数据集。随后，利用聚类分析和理化性质分析，并借助SwissTargetPrediction、GeneOntology与KEGG数据库进一步进行药物的机制分析。在此基础上，提取多种药物分子特征，包括分子指纹（如MACCS、Morgan、RDKit、TopologicalTorsion、AtomPairs与Descriptors）及分子图谱，通过Transformer编码器与神经网络进行机器学习模型训练。最后，将训练好的模型部署为在线Web服务器（BoneToxPD），供用户快速预测药物的骨毒性。

图 1 工作流程

作者团队通过收集大量具有骨毒性的化合物数据，进行分子聚类分析，将化合物分为四个显著群组。随后采用靶标预测方法，发现关键基因IL6、TNF、ESR1和MAPK3参与骨毒性的分子机制。此外，利用GO和KEGG富集分析，探索了骨毒性复杂的生物学路径和分子功能。

图 2 数据集特征及聚类结果

基于分子指纹和描述符，团队训练了多个预测模型包括Transformer、SVM、XGBoost以及GNN、视觉Transformer (ViT) ，并微调了预训练模型KPGT。其中，描述符-Transformer模型和KPGT模型表现最优，预测准确率达到86%，AUC达到89%。

图3 模型表现

为便于药物研发和安全性评估，作者进一步推出了首个专门用于预测药物骨毒性的在线平台——BoneToxPD。该平台提供实时高效的骨毒性预测服务，并能直观展示影响预测结果的关键分子描述符，帮助研究人员迅速识别和降低药物骨毒性风险。

图 4 在线平台BoneToxPD使用流程

本研究不仅在骨毒性预测的准确性方面取得了突破，还在模型解释性方面提供了新的视角，通过注意力机制精准识别出影响骨毒性的关键化学基团，推动药物研发领域更安全、更高效的发展。

吉林大学生命科学学院2023级硕士研究生崔慧子，2024级博士研究生贺奕及2021级本科生王志邦为本文共同作者，韩葳葳教授和李婉南副教授为本文通讯作者。研究得到了国家自然科学基金（No.32471313）资助支持。

参考资料

Cui H, He Y, Wang Z, Liu K, Li W, Han W. Unveiling drug-induced osteotoxicity: A machine learning approach and webserver. J Hazard Mater. 2025 Mar 28;492:138044.