NephroTox AI 肾毒性分类与置信度覆盖评价
用二维分子描述符预测药物相关肾毒性，按不同数据来源进行外部比较，并同时报告置信度筛选后的性能和覆盖率。
用途与模型
- 研究用途
- 药物肾毒性候选筛查及不确定预测识别。
- 模型与细胞来源
- 随机森林结合 RDKit 二维描述符；4 档置信度反映决策树预测离散程度。
- 方法版本
- 2026 accepted manuscript；RF_RDKit 与四档置信度
- 实验形式
- 建模集合内部划分与 DIRIL 来源外部集合独立比较。
材料与平台
- 标签资料
- 3 个公开来源，结构去重与标签核对。
- 输入信息
- 二维分子描述符；不包含完整人体暴露和各肾损伤亚型。
测量指标与分析
- AUC 及分类错误
- 高/中置信度保留比例
- 假阳性与假阴性的置信度分布
分别报告完整外部集与高、中置信度子集的 AUC，并同时给出筛选后的覆盖率及各置信度档的错误分布。
研究设计与结果
药物集评价
- 研究设计
- 独立来源的 247 种化合物外部比较，再评价高/中置信度子集。
- 测试范围
- 建模 1829 种，外部 247 种；高/中置信度约 54 种、覆盖 21.7%。
- 参照体系
- 外部已登记肾毒性标签；完整集与筛选子集。
- 研究结果
- 完整外部 AUC 为 0.727，筛选子集 0.902；大量错误集中在低置信度档。
适用条件与研究局限
- 子集 AUC 提高伴随覆盖率下降。
- 二分类不区分损伤亚型。
- 新候选机制未由网络/对接直接验证。
来源与原文
- NephroTox AI: an explainable machine learning framework with uncertainty quantification for drug-induced nephrotoxicity prediction原始研究 · Journal of Cheminformatics · 2026-10-05