把肝脏靶点信息加入毒性预测
维也纳大学（University of Vienna）研究者在 Discover Pharmaceutical Sciences 报告了一项药物相关肝脂肪变预测研究。与仅根据分子结构分类不同，团队还整理了药物与肝脏表达蛋白的相互作用，以及这些作用涉及的生物学通路。
研究比较了结构指纹、靶点指纹和通路指纹，并用多数投票整合 3 类预测。目标是判断生物学信息是否提供结构之外的增量，以及模型对不同于训练资料的化合物能保持何种表现。
阳性和阴性标签来自不同证据
阳性药物由 FDA 不良事件报告系统（FDA Adverse Event Reporting System，FAERS）中的脂肪变相关报告整理；阴性则来自 DILIst 中肝损伤阴性的化合物，并排除已进入阳性名单的药物。
作者进一步查阅 LiverTox，采用无整体肝损伤标签近似代表无脂肪变性的判定方式。数据集未把给药途径、剂量和治疗时长纳入分类，FAERS 报告也存在报告偏倚与因果归属的不确定性。
为保证不同输入的比较使用同一组对象，最终保留 372 种化合物，其中 183 种阳性、189 种阴性。335 种用于建模，另 37 种作为低相似性留出测试集。
窄屏可横向滑动查看完整图表。
生物学指纹在内部比较中表现更好
靶点指纹记录化合物是否与相关人蛋白发生作用，并按肝脏表达信息筛选；通路指纹在此基础上加入相互作用网络及通路映射。它们提供的是靶点和生物过程层面的输入。
重复交叉验证中，靶点和通路模型显著优于结构指纹模型。整合分类器的平衡准确率为 0.72、敏感度为 0.69，与单独生物学模型相近，没有持续优于各单项模型。
重要特征涉及药物转运和代谢相关蛋白。研究还尝试加入血浆游离比例，内部性能基本不变；这提示在该数据中，已有相互作用模式与额外定量药代信息提供的预测增量不同。
低相似性测试集和独立数据集中的表现下降
37 种测试化合物按其与其余数据的最近邻最大相似性较低而选出。与内部交叉验证相比，整合模型在该集的敏感度、精确率和平衡准确率均下降，特异度则较稳定。
团队又从另一份脂肪变资料中去除重叠药物，得到 19 种独立化合物，其中阳性 10 种、阴性 9 种。各单项模型和整合模型在这一独立集合中的预测表现较差。
独立集合与训练集的总体相似性没有明显更低，但相邻化合物属于同一脂肪变类别的比例下降。因此，分子或生物特征接近，并不必然对应相同的毒性标签；这种局部关系影响了外推表现。
稀疏证据药物的预测仍属于候选线索
对缺少明确脂肪变证据的药物，研究进一步使用靶点预测结果，结合分类器、候选起始事件和肝脏靶点作用数量进行分层比较。3 个分析层同时提示的药物包括 fosfomycin、clonixin 和 elsulfavirine。
作者明确将这些结果作为假设线索。若相似性工具给某化合物预测了过多靶点，放大的作用谱会影响后续多个分析层，造成看似一致的阳性结果。研究没有据此确认这些药物会引起肝脂肪变。