把肾毒性分类与预测置信度一起报告
澳门理工大学（Macao Polytechnic University）团队在 Journal of Cheminformatics 报告 NephroTox AI，用于从分子信息预测药物相关肾毒性。研究将数据整理、模型比较、特征解释和不确定性分层放在同一计算流程中，关注预测能否用于训练资料之外的化合物。
论文最值得一并观察的两个结果，是外部预测性能和覆盖范围。完整外部集的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）为 0.727；只保留高、中置信度结果后达到 0.902，但评价对象也从 247 种化合物缩至约 54 种。
建模与外部比较使用不同资料来源
研究从 3 个公开来源整理出 2,157 种不重复化合物，初始分类包括 1,111 个肾毒性阳性和 1,046 个阴性。结构去重和标签冲突处理后，又通过质量检查排除了部分记录，最终建模集合为 1,829 种，外部集合为 247 种。
外部资料来自以药品标签和临床报告为依据的 DIRIL 数据集，研究将其留作独立评价。建模集合在 10 个随机种子下分别划分训练、验证和测试子集；这里的内部测试与按资料来源留出的外部比较属于不同的评价。
团队组合 7 种分类算法和 4 类描述符，共比较 28 种配置。随机森林结合 RDKit 二维描述符的表现最好，内部验证 AUC 为 0.907，留出测试 AUC 为 0.896；这两个数值高于完整外部集的表现。
筛选提高 AUC，同时缩小覆盖范围
置信度依据随机森林各决策树预测的离散程度分为 4 档。完整外部集上，模型 AUC 为 0.727；限制至高、中置信度子集后，AUC 升至 0.902，保留范围为 21.7%。
被排除的低及很低置信度档中，集中了 88.3% 的假阴性和 94.5% 的假阳性。这个结果说明，模型能够将较多错误集中在需要谨慎处理的预测中；与此同时，大部分外部化合物并未保留在高、中置信度范围。
AUC 的上升对应筛除不确定对象后的子集评价。对药物安全性筛查而言，外部集性能、保留比例和未判定对象共同决定这一工具能够承担的任务。
解释性分析提供统计线索
SHAP 特征分析把部分电荷、分子复杂度和分子量列为重要输入。这些描述符与肾脏药物处置有生理上的联系；SHAP 衡量的是它们对模型预测的贡献，作者将其作为统计关联解释。
研究还把模型应用于 11,093 种 DrugBank 化合物，得到 59 个高或中置信度的阳性预测，包含顺铂等已知肾毒性药物。网络分析和分子对接进一步提出候选靶点联系，尚未替代新候选的体外生物学验证。
网页输出概率、置信度和特征贡献
NephroTox AI 网页提供分类、预测概率、置信度以及全局和单个化合物的特征解释，另有语言模型辅助说明。研究没有开展正式使用者队列评价；语言解释属于帮助理解结果的功能。
作者指出，当前任务使用肾毒性二分类和二维分子信息，尚未区分肾小管、间质及肾小球等不同损伤类型。完整外部集的性能下降，也提示继续扩大独立数据与实验验证的重要性。