信息速览
EPA ToxCast 高通量体外毒性筛选数据集 — 化学物毒性 AI-Ready Wikipedia
INFOBOX
| 数据集名称 | ToxCast High-Throughput Screening Data（invitrodb） |
| 英文全称 | Toxicity Forecaster (ToxCast) / Tox21 & ToxCast High-Throughput Screening Data |
| 别名/简称 | ToxCast、invitrodb v4.x、Tox21/ToxCast HTS、MoleculeNet ToxCast |
| 疾病分类 | 非患者数据——化学物毒性效应（ICD-11：NE6 毒性效应块；关联第 5 章内分泌营养代谢 5A00-5E2Z、第 22 章发育异常 LA00-LZ9Z，详见 §2.1） |
| SNOMED CT | 75479009 Toxic effect (disorder) / 404684003 Clinical finding（活性终点映射详见 §2.1b） |
| 数据模态 | 体外高通量筛选（HTS）活性数据：化学物 × 检测终点剂量-反应矩阵 |
| AI 任务类型 | 多标签毒性分类（hitcall）、效价回归（AC50）、分子表征学习预训练、化学品优先级排序 |
| 样本总数 | 9,559 个独特化学物 × 1,496 个归一化检测终点（invitrodb v4.1，2023-09） |
| 数据大小 | 以官方 MySQL 数据库包 + CSV summary 文件形式发布，大小随版本变化，以发布页为准 |
| 数据格式 | MySQL 转储 / CSV（summary files）/ XLSX（assay 注释、cytotox）/ R tcpl 接口 / REST API |
| 许可证 | U.S. Public Domain（EPA 开放数据：无版权限制，允许非商业与商业使用） |
| 访问级别 | 开放（无需注册、无申请流程、无 DUA） |
| DUO 标签 | NRES（无限制使用） |
| 语言 | 英文 |
| 首发日期 | 2010（Phase I 数据公开发布） |
| 最后更新 | 2025-08（invitrodb v4.3） |
| 发布机构 | U.S. EPA 国家计算毒理学与暴露中心（NCCT）+ 联邦 Tox21 合作机构 |
| 官方主页 | https://www.epa.gov/comptox-tools/exploring-toxcast-data |
| 下载地址 | https://www.epa.gov/comptox-tools/exploring-toxcast-data（页面内数据库包 / summary 文件 / tcpl / API 入口） |
| DOI | 10.1021/acs.chemrestox.6b00135（化学库描述论文）；数据发布 DOI 见各版本 release notes |
| 引用次数 | 497+（第三方引文索引 Crossref 系收录，截至 2026-09，对应 Richard et al. 2016 论文） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— DeepChem/TDC 提供一键子集、tcpl 官方脚本完善、QC 元数据丰富；扣分项：原始全库需 R/MySQL 栈、无官方 AI 划分、MNAR 稀疏矩阵与 burst 假阳性需自行清洗 |
| 页面状态 | published |
§0 E-E-A-T 信任声明与免责声明
医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（体外毒理学终点与 ICD-11/SNOMED CT 映射、化学物库构成与临床任务定义、金标准描述）、§7 偏倚分析。
数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（化学物-终点两级主键、hitcall/AC50 语义）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-09-05
审核方式：交叉审核
利益冲突声明：千方病案医数集与 U.S. EPA 及 Tox21 合作机构无任何商业利益关联。本页面不销售 ToxCast 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受 EPA 或任何 assay 供应商的任何形式资助。
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。ToxCast 数据为美国环保署开放数据（公共领域），下载与使用无需注册申请，但引用时应遵循 EPA 官方引用格式（见 §9）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ ToxCast（Toxicity Forecaster，毒性预测者）是美国环保署（EPA）从 2007 年开始运行的一项高通量体外筛选计划：把成千上万种日常化学品（农药、工业原料、食品添加物、化妆品成分、药物）逐个滴入数百种自动化生物检测体系——细胞、受体蛋白、酶、报告基因——看每一种化学品在什么浓度下会"激活"哪条生物学通路。全部结果汇总在公开数据库 invitrodb 中，最新版覆盖 9,559 种化学物与 1,496 个检测终点。
为什么重要？ 传统动物毒性实验单endpoint成本从 3,000 美元（急性毒性）到 1,200,000 美元（致癌性）不等，而全球有数以万计的化学品从未做过任何毒性测试。ToxCast 用自动化体外筛选把"每个化学品 × 每条通路"的成本压低了几个数量级，是美国 “21 世纪毒性测试”（Toxicity Testing in the 21st Century）战略与监管科学 NAM（New Approach Methodologies）路线的核心数据基础设施。
我能用它做什么？ 训练"给定分子结构 → 预测其在体外会激活哪些毒性通路"的多标签分类器（MoleculeNet ToxCast 基准：8,575 分子 × 617 任务）；做化学品优先级排序（哪些化学品值得送去做昂贵的动物实验）；做分子表征学习预训练；或者反查你关心的某种化学品已经被筛出哪些活性信号。数据是公共领域许可，下载不需要注册。
§1.1 技术摘要
ToxCast 的数据生产链路为：化学品采购与 QC → 多浓度定量高通量筛选（qHTS）→ tcpl R 流水线归一化与曲线拟合 → hitcall/AC50 标注 → 版本化发布。最新 invitrodb v4.1（2023-09）整合了 26 个 assay 来源（含 Tox21 计划）、623 个 assay 平台与 1,496 个归一化检测终点，映射 500 余个基因靶点。每个化学物-终点对的核心输出是剂量-反应曲线的胜出模型参数、以 µM 计的 AC50/AC10 效价，以及 0-1 连续的 hitcall 活性概率；配套输出包括 9 类质量控制 flag、化学物特异性的细胞毒性 burst 阈值（基于 88 个 curated cytotoxicity assays 与 global MAD 统计）以及 OECD GD211 格式的 assay 描述文档。数据分发采用四种形态：MySQL 全库转储（可配 tcpl R 包本地复算）、CSV summary 文件、CompTox Chemicals Dashboard 在线查询与 CTX Bioactivity API。v4 版本引入 tcplFit2 十种拟合模型（constant、Hill、gain-loss、poly1/2、power、exp2-5）与终点方向性注释，是相对 v3 的重大断层升级。
§1.2 战略价值
监管科学维度：ToxCast 是全球规模最大的公开体外毒性活性库之一，也是美国 EPA 内分泌干扰物筛查计划（EDSP）雌激素/雄激素受体通路模型的直接数据底座。它把"化学品是否需要在动物实验前优先关注"这一监管问题转化为可计算的证据链：体外活性 hitcall → AOP（不良结局通路）机制关联 → 优先级排序。对研究 NAM 方法的团队而言，它提供了带完整 assay 注释与 QC flag 的"监管级"参考数据，这是多数商业或学术筛选库不具备的。
AI 建模维度：ToxCast 的 617 任务 MoleculeNet 子集与 Tox21 一起构成了分子 AI 的经典毒性基准三件套（Tox21/ToxCast/ClinTox）。相比 Tox21 的 12 个任务，ToxCast 的 617 个任务提供了更长的任务序列与更真实的稀疏性——每个分子的标签覆盖率不同、每个任务的阳性率高度不平衡，这使得它成为检验多任务学习、标签缺失处理与分子预训练表征的试金石。2024 年 DumplingGNN 将 scaffold 划分下的 SOTA 推至 ROC-AUC 0.782，仍有明显提升空间，基准尚未饱和。
§1.3 同类数据集横向对比
| 数据集 | 规模 | 模态 | 标注 | 与 ToxCast 的差异化 |
|---|---|---|---|---|
| ToxCast（invitrodb v4.x） | 9,559 化学物 × 1,496 终点 | 体外 HTS（26 来源，生化 + 细胞） | AC50 效价 + 0-1 hitcall + 9 类 QC flag | 规模最大、assay 注释与 QC 元数据最全、公共领域许可 |
| Tox21 | 约 7,831 化学物 × 12 任务 | 体外 qHTS（1536 孔） | 二元活性（10 浓度级） | 任务少但质量高、社区基准最普及；已并入 invitrodb |
| MoleculeNet ToxCast 子集 | 8,575 分子 × 617 任务 | 上述子集的固化切片 | 二元标签矩阵 | AI 基准标准形态，标签取自 2015 年数据发布 |
| ClinTox | 1,484 药物 × 2 任务 | 临床试验失败记录 | 二元 | 体内/临床终点，与体外机制互补 |
| SIDER | 1,427 药物 × 27 任务 | 药物不良反应文本挖掘 | 二元 | 人用药物上市后终点 |
| ToxRefDB | 600+ 体内研究 | 动物实验终点 | 效价（BMD 等） | ToxCast 的"体内金标准"对照库，常配对用于体外-体内桥接 |
读表的三个要点：第一，ToxCast 与 Tox21 不是竞争关系而是包含关系（invitrodb v4 已统一管线），做基准时若选 ToxCast 就自动获得了大部分 Tox21 化学物；第二，ToxCast 是表中唯一以「终点数」而非「任务数」为规模量纲的库——1,496 个终点意味着近 1,500 个独立筛选实验的元数据维护量，这是其注释体系价值的来源；第三，MoleculeNet 切片是「冻结的时间胶囊」，其标签分布反映 2015 年发布状态，与主库演进方向不同步，二者数字不可互相校准。
§1.4 版本时间轴
| 时间 | 版本/事件 | 规模与要点 |
|---|---|---|
| 2007 | ToxCast 计划启动 | 源自《Toxicity Testing in the 21st Century》战略报告 |
| 2010 | Phase I 数据发布 | 310 种化学物（以农药为主）、约 700 个 assay 终点（Judson et al. 2010 论文实际分析 309 化学物 × 467 assays） |
| 2013 底 | Phase II 数据发布 | 化学库扩至 1,878 种 |
| 2014 | Phase III 启动 | 化学库进一步扩展（2016 年时点 3,800+，96% 同时进入 Tox21 筛选） |
| 2015-10 | invitrodb_v2 发布 | 8,599 种物质、821 个 assay 终点 summary；MoleculeNet 基准切片即取自这一代数据 |
| 2021 | invitrodb v3.5 | v4.0 的对比基线；v4 引入 tcplFit2 十模型与 hitcall 重定义 |
| 2023-09 | invitrodb v4.1 + tcpl v3.0 | 9,559 化学物、26 来源、623 平台、1,496 终点；单位改为 µM、新增方向性注释与 tcplPlot |
| 2025-08 | invitrodb v4.3（最新） | 当前官方推荐版本；旧版数据仍可下载但不建议用于新分析 |
版本选择的三条决策规则：其一，凡与已发表基准对比（MoleculeNet、SOTA 榜单），必须使用 DeepChem/TDC 固化切片，因为其标签取自 2015 年数据发布，任何「用 v4.3 数据挑战旧榜单」的做法都不构成公平比较；其二，凡做新研究或监管风格分析，一律用 v4.x 并锁定小版本（v4.1 或 v4.3），在论文的数据声明中写明版本号与下载日期；其三，凡跨版本合并数据（例如把 v2 旧标签当补充训练数据），属于方法学错误而非数据增强——v4 的单位、模型与 hitcall 定义均已变化。
§1.5 典型应用场景
- 多标签毒性预测基准：在 MoleculeNet ToxCast（8,575 × 617）上评测 GNN 与分子预训练模型，横向对比 Tox21/ClinTox 表现。
- 化学品优先级排序：以体外活性谱（如 AC50 第 5 百分位）为证据源，为监管清单中的数据缺口化学品排序（OECD 2022 指南演示了完整流程）。
- AOP 机制研究：将活性终点映射到基因靶点与 AOP 关键事件，构建"结构 → 机制 → 危害"的推理链（如 MLinvitroTox 用 490 个可建模终点训练 XGBoost 结构毒性分类器）。
- 分子表征学习预训练：9,559 个带活性注释的分子作为监督预训练或多任务正则语料。
- 环境监测毒理学：以 invitrodb 活性谱为危害先验，指导废水中非靶向质谱特征（HRMS/MS）的优先鉴定。
五个场景对数据形态的要求依次递增：场景 1 只需固化子集；场景 2-3 需要 summary + 注释 + burst 过滤；场景 4 需要结构-活性对齐与版本锁定；场景 5 需要 API 级集成与活性谱检索。本页 §3-§6 按此梯度组织：先给最低成本路径（§6.1），再逐步开放到全库工程（§6.2-§6.3），确保不同目标读者都能从各自需要的深度切入而不必通读全篇。
§2 医学背景
§2.1 毒性终点与 ICD-11 映射
ToxCast 记录的是化学物在体外扰动生物学通路的能力，而非患者疾病诊断。下表给出主要 assay 终点类别与 ICD-11 疾病块之间的检索级映射（块级编码，用于关联疾病知识域，非临床诊断编码）：
| 终点类别（assay 组） | 典型 assays | ICD-11 编码块 | 关联疾病域 |
|---|---|---|---|
| 核受体（内分泌干扰） | ER/AR/TR/PPARγ/GR 报告基因 | 5A00-5E2Z（内分泌、营养或代谢疾病） | 甲状腺/性腺功能紊乱、代谢综合征 |
| 细胞毒性/应激 | 88 个 curated cytotoxicity endpoints、线粒体膜电位 | NE6（毒性效应） | 急性中毒、细胞损伤 |
| 发育毒性 | 细胞增殖/分化与形态发生相关 assays | LA00-LZ9Z（发育异常） | 先天畸形、发育障碍 |
| 肝毒性相关 | 人原代肝细胞/ hepatocyte assays | DA00-DF5Z（消化系统疾病，肝胆段） | 药物性肝损伤、肝纤维化 |
| 神经毒性相关 | 神经元与胶质细胞功能 assays | 8A00-8E7Z（神经系统疾病） | 神经退行性变、神经发育毒性 |
| 基因毒性 | HTS genotoxicity 平台 | 2A00-2F3Z（肿瘤） | 致癌性风险 |
§2.1b SNOMED CT 映射
| 数据集概念 | SNOMED CT 码 | SNOMED 术语 | 说明 |
|---|---|---|---|
| 化学物毒性效应（总体） | 75479009 | Toxic effect (disorder) | 数据集主题的顶层概念 |
| 体外检测的活性发现 | 404684003 | Clinical finding (finding) | hitcall=1 的活性信号本质上是"发现"级证据 |
| 化学物质（实体） | 105576008 | Chemical (substance) | DTXSID/CASRN 标识的对象类型 |
| 不良反应（通路级） | 47344002 | Adverse reaction | 体外 hit 到体内不良结局需经 AOP 推理 |
映射边界声明：ToxCast 终点与疾病编码之间是"机制关联"而非"诊断对应"。上述映射用于跨知识库检索与 AOP 文献定位，禁止将其解释为"某化学品导致某 ICD-11 疾病"的因果断言。
§2.2 毒理学背景与流行病学
数据缺口问题：现代社会使用的商业化学品中，只有少部分拥有完整毒性档案。美国 EPA 的官方教学材料指出，传统动物测试既昂贵又缓慢：急性毒性约 3,000 美元、发育毒性 120,000 美元、生殖毒性 250,000 美元、发育神经毒性 600,000 美元、EDSP Tier 1 组合 800,000 美元、致癌性 1,200,000 美元，且各类终点仅有 11%-60% 的化学品覆盖率（急性毒性覆盖最全，EDSP Tier 1 不足 1%）。这一"数据鸿沟"正是 ToxCast 立项的直接动因。
NAM 范式：ToxCast 属于 NAM（New Approach Methodologies）体系：以机制明确的体外检测替代整体动物实验，用剂量-反应建模把"浓度"换算为"活性效价"，再通过体外-体外外推（IVEE）与药代动力学模型桥接至人体暴露场景。二十年的实践也揭示出体外方法的重要局限：Thomas et al.（2012）等早期评估表明单个 assay 对体内结局的预测力有限，组合式 NAM（多 assay 签名）才是有效形态——这是使用 ToxCast 做下游建模时最重要的领域先验。
与 Tox21 的关系：Tox21 是 EPA、NTP/NIEHS、NCATS 与 FDA 的联邦合作计划，以 1,536 孔 qHTS 平台筛约 10,000 化学物 × 12 类核心通路（核受体与应激响应）。ToxCast Phase III 化学物中约 96% 同时进入 Tox21 筛选；invitrodb v4 已将 Tox21 数据并入统一管线（26 个 assay 来源中包含 Tox21）。
传统测试成本参考（EPA 官方教学材料，用于说明数据缺口的经济学动因）：
| 测试类型 | 单化学品成本（美元） | 化学品覆盖率 |
|---|---|---|
| 急性毒性 | 3,000 | 60% |
| 基因毒性 | 45,000 | 28% |
| 发育毒性 | 120,000 | 29% |
| 亚慢性毒性 | 150,000 | — |
| 生殖毒性 | 250,000 | 11% |
| 发育神经毒性 | 600,000 | — |
| EDSP Tier 1 组合 | 800,000 | <1% |
| 致癌性 | 1,200,000 | 26% |
这一成本-覆盖格局意味着：即便只补齐致癌性与发育毒性两个维度的数据缺口，传统路线的成本也以百亿美元计——这是 NAM/HTS 路线在监管科学中获得战略地位的根本原因。
§2.3 AI 任务定义
| 任务 | 输入 | 输出 | 临床/监管语义 | 对应 §8 基准 |
|---|---|---|---|---|
| 活性筛查（分类） | 分子结构（SMILES/图） | 每个终点 hitc≥0.9 的 0/1 多标签向量 | “该化学品是否扰动该通路” | MoleculeNet ToxCast ROC-AUC |
| 效价回归 | 分子结构 | active 终点的 log10(AC50 µM) | “多低浓度起效”（越低越毒） | 无固化基准，需自行构建 |
| 优先级排序 | 分子结构 + 暴露数据 | 危害排序 | 送测动物实验的先后 | OECD 2022 流程演示 |
| 机制标签预测 | 分子结构 | 基因靶点/通路标签 | AOP 关键事件匹配 | MLinvitroTox（490 终点） |
任务定义背后的 AOP 逻辑值得展开：ToxCast 的每个 assay 终点大致对应不良结局通路（AOP）框架中的分子起始事件（MIE，如受体结合）或细胞层关键事件（KE，如线粒体功能障碍）。AI 任务「预测某化学物在某终点的 hitcall」在领域语义上等于「预测该分子能否触发某 MIE/KE」，而 AOP Wiki 中的 MIE/KE→不良结局链路提供了从体外预测走向体内危害解释的知识骨架。这也解释了本数据集两类任务的本质差别：hitcall 分类预测的是「事件是否发生」，AC50 回归预测的是「事件在什么暴露浓度发生」——后者才是优先级排序真正需要的量。
§2.4 "受试对象"构成表（化学库而非患者群）
| 维度 | 构成 | 来源依据 |
|---|---|---|
| 对象类型 | 化学物质（单体为主，含少量聚合物、混合物、立体异构体混合物） | ToxCast Owner’s Manual（2018）：4,400+ 化学库中单体约 3,936 |
| 选取原则 | 有监管关注与人群/生态暴露潜力、健康效应数据缺乏的化学品 | Richard et al. 2016 |
| 用途谱系 | 食品添加物、农药、工业化学品、化妆品/个护成分、药物 | Richard et al. 2016 |
| Phase I | 310 种（以农药活性成分为主） | Judson et al. 2010 |
| Phase II | 扩至 1,878 种（2013 年底发布） | Richard et al. 2016 |
| Phase III | 3,800+ 种（2016 年时点；96% 与 Tox21 重叠） | Richard et al. 2016 |
| 全库（v4.1） | 9,559 个独特化学物 | EPA SOT 2024 |
| 地域属性 | 全球化学品清单，以美国监管清单（TSCA/FIFRA/FDA 等）为主 | CompTox Dashboard 收录逻辑 |
§2.5 监管与临床价值
对药物研发者，ToxCast 提供"脱靶毒性早期预警"：候选分子在核受体、线粒体、细胞应激通路上的体外活性谱可比动物实验提前数月发现风险信号。对化学品监管者，invitrodb 是 EDSP 雌激素/雄激素受体筛查模型（Judson et al. 2015；Kleinstreuer et al. 2017）与 OECD 现代化监管流程的官方数据源。对环境科学者，其活性谱可作为高分辨质谱非靶向筛查的"危害指针"。对 AI 研究者，它提供了远超同类基准的标签空间（617-1,496 个任务），足以研究任务间相关性、迁移与少样本毒性预测。
按角色给出最小起步路径：药物发现团队 → 先查 CompTox Dashboard 单化学品面板，再决定是否下载数据（多数需求 API 即可）；监管/风控团队 → 直接用 v4.3 summary + cytotox 表跑 OECD 2022 流程，无需训练模型；AI 研究团队 → DeepChem/TDC 子集起步，方法成熟后再切 v4 全库做任务扩展；数据库工程师 → MySQL 包导入 + tcpl 是唯一获得官方全部处理层的方式。
§2.6 金标准对照
| 参照系 | 划分方式 | 标注方式 | 标注者 | 性质 |
|---|---|---|---|---|
| ER pathway model（16 个 ER assays 集成，Judson et al. 2015） | 化学物级 | 概率模型（集成多 assay 效力） | EPA 科学家 + 监管验证 | 监管级参考标准 |
| AR pathway model（Kleinstreuer et al. 2017） | 化学物级 | 概率模型 | EPA/合作机构 | 监管级参考标准 |
| 细胞毒性 burst 过滤 hitcall 矩阵（Nelms et al. 2023 等学术实践） | 化学物级 | AC50 与 cytotox 下界比较后二值化 | 研究团队自定义 | 学术金标准实践 |
| OECD 过滤准则（flags<3、AC50>最低浓度、hit percent≥50%） | 终点级 | 确定性规则 | OECD 文档 | 规范级参考 |
§3 数据集规格
§3.0 版本抉择矩阵
| 你的需求 | 推荐版本 | 大小/形态 | 理由 |
|---|---|---|---|
| 跑 MoleculeNet/复现 GNN 论文 | DeepChem toxcast（8,575 × 617）或 TDC ToxCast |
单 CSV，百 MB 级 | 与已发表基准数字直接可比，无需 R/MySQL |
| 最新最全活性数据、AOP 研究 | invitrodb v4.3（2025-08） | MySQL 包 + CSV summary | 官方当前推荐；v4.1 数据处理可复现（pytcpl） |
| 复现学术模型（MLinvitroTox v2 等） | invitrodb v4.1（2023-09） | MySQL 包 + CSV summary | 已发表模型的训练版本，有 490 终点建模清单 |
| 需要 tcpl 复算/自行曲线拟合 | v4.3 + tcpl v3.x（CRAN） | R 包 + 本地 MySQL | 官方分析管线，含全部中间层（sc/mc1-6） |
| 化学品优先级排序（监管风格） | v4.3 summary + cytotox 表 | CSV/XLSX | 无需装库，OECD 2022 流程直接演示 |
§3.1 模态详情
ToxCast 属于体外高通量筛选活性数据：每条记录是"某化学品在一系列浓度下于某检测终点产生的归一化响应"。assay 技术谱系（Judson et al. 2010 定义的九类技术至今仍是骨干）：无细胞生化 HTS（受体结合、酶抑制）、多重转录报告基因（如 Attagene FACTORIAL/CIS 平台）、生物多重活性谱（BioSeek BSK 人原代细胞平台）、高内涵细胞成像、多重基因表达、基于细胞的 HTS、异源代谢（XME）细胞毒性、实时细胞电子传感、HTS 基因毒性。v4.1 将这些来源整合为 26 个 assay 来源、623 个平台、1,496 个归一化终点，覆盖线粒体毒性、核受体激活、免疫应答、发育与细胞应激等生物学空间，映射 500+ 基因靶点。
按生物学空间划分的终点族（供特征分组与任务聚合参考）：
| 生物学空间 | 代表终点族 | 典型读出 | AI 建模提示 |
|---|---|---|---|
| 核受体信号 | ER、AR、TR、PPARγ、GR、AROMATASE | 报告基因激活/抑制 | 同靶点多平台重复（坑点 6）；有监管级集成模型仲裁 |
| 线粒体与能量代谢 | 膜电位、氧化磷酸化相关 | 荧光/发光 | 对 lipophilic cation 类结构有系统性响应 |
| 细胞应激与通用毒性 | cytotoxicity burst 端点族（88 个 curated） | 活率/ATP 含量 | 用作 burst 阈值来源而非预测目标 |
| 发育与增殖 | 细胞增殖、形态发生、干细胞分化 | 高内涵成像 | 与 ICD-11 发育异常块关联（§2.1） |
| 异源代谢（XME） | CYP 活性、转运体 | 生化/细胞 | 活性常被细胞毒性混淆 |
| 基因毒性 | HTS genotoxicity 平台 | 专用读出 | 阳性率极低，任务裁剪优先候选 |
| 免疫与炎症 | 细胞因子、免疫细胞功能 | 多重谱 | BioSeek BSK 平台为主 |
§3.2 按子集/相别的样本数
| 子集 | 化学物数 | Assay 终点覆盖 | 备注 |
|---|---|---|---|
| Phase I（ph1_v1，2010） | 310 | 约 700 endpoints | 农药为主；数据最深的经典子集 |
| Phase II（ph1_v2/ph2，2013） | 293 + 768 | 约 200 / 约 900 endpoints | 扩展农药与惰性成分 |
| e1k（2013） | 799 | 约 50 endpoints | 千种级快速筛查 |
| Phase III（ph3，2014 起） | 2,678（启动时） | 多为 Tox21 共享 assays | 覆盖显著窄于 Phase I/II |
| 全库（v4.1） | 9,559 | 1,496 endpoints / 623 平台 / 26 来源 | 含 Tox21 全量 |
| 可建模终点（学术实践） | — | 490 endpoints | MLinvitroTox v2 建模筛选后 |
§3.3 数据格式
| 形态 | 格式 | 内容 | 适用人群 |
|---|---|---|---|
| invitrodb 数据库包 | MySQL 转储（.sql） | 全部处理层级 + 元数据 + 数据字典 | 需要完整数据/复算者 |
| Summary files | CSV | mc4/mc5-6 级模型拟合、hitcall、flags、cytotox | 数据科学家（最常用） |
| Assay annotations | XLSX | aeid → 终点名、来源、基因靶点、方法 | 特征工程/注释 |
| R 接口 | tcpl/tcplfit2/ctxR（CRAN） | 直接查询库内任意层、tcplPlot 可视化 | 毒理学 R 用户 |
| API | CTX Bioactivity API（REST） | 化学物级活性查询 | 应用开发者 |
| AI 子集 | DeepChem .csv / TDC loader |
8,575 分子 × 617 任务标签矩阵 | ML 工程师 |
§3.4 存储与下载大小
官方未发布统一的大小标注：完整数据库包（MySQL 转储 + summary + 注释 + 浓度-响应图）体积随版本增长，以发布页标注为准；对多数 AI 工作流，仅 summary CSV + 注释文件即可满足，属桌面级规模。建议磁盘预留 10 GB 以上以容纳 MySQL 导入与索引。
§3.5 标注方式
标注为自动算法生成 + 规则化 QA，非人工逐一判读：原始板数据经 tcpl 流水线归一化（相对阳性对照或未处理对照的诱导比），随后由 10 个候选模型（constant、Hill、gain-loss、poly1/2、power、exp2-5）拟合，按 AIC 选出胜出模型；hitcall 为连续概率（tcplfit2 中等于三个概率的乘积：中位响应超 cutoff × 模型 top 超 cutoff × AIC 优于 constant 模型）。人工投入集中在assay 注释策展（基因靶点、方法学描述、OECD GD211 文档）与版本级 QC，而非单条活性判读。
§3.6 标注者资质与一致性
算法标注由 EPA 维护的开源管线（tcpl，Bioinformatics 2017 发表）统一产出，跨版本可复现；assay 注释由 EPA 毒理学家与信息学家团队策展并持续修订（v4 相对 v3 显著扩充了注释以支持终点聚合）。一致性以概率与 flag 而非二元真值表达：每个活性附带 hitc（0-1）与最多 9 类 flag；细胞毒性阈值以 chemical-specific median ± 3×global MAD 统一定义，保证跨化学品的可解释性。
§3.7 采集周期
2007 年（Phase I 筛选启动）持续至今，滚动发布；当前主线版本 invitrodb v4.1（2023-09）与 v4.3（2025-08）。Tox21 数据并入统一管线。对时间敏感的应用（化学品排序、监管申报）应记录数据下载日期与版本号——同一化学品在相邻版本中的活性注释可能因管线微调而变化，引用时「版本 + 日期」缺一不可。
§3.8 地域覆盖
化学品清单以美国监管视野为主（TSCA 工业化学品、FIFRA 农药、FDA 食品与药物清单等），同时覆盖欧盟 REACH 等国际清单的交集；assay 数据全部产自美国合作实验室（EPA NCCT、NTP/NIEHS、NCATS 等）。
§3.9 检测平台规格
26 个 assay 来源横跨 623 个平台，代表性供应商/体系包括：Attagene（转录因子报告基因）、BioSeek/BSK（人原代细胞多重活性谱，现 Eurofins Discovery）、Tox21 联邦 qHTS 网络（1,536 孔）、EPA 内部实验室与多种合同实验室。读出形态包括荧光、发光、吸光度、高内涵成像与电子传感；浓度系列通常为多浓度梯度（Tox21 为 15 浓度级，qHTS 惯例），上限通常为 100 µM-1 mM 量级。
§3.10 深度溯源链
DSSTox DTXSID（化学身份）→ 化学品采购 QC 批次 → assay source（26）→ platform（623）→ assay component → assay endpoint（aeid，1,496）→ sc/mc 处理层（tcpl level 1-6）→ mc5 胜出模型（hitc、AC50）→ mc6 flag 注释。每一环节在 invitrodb 中均有独立表与数据字典条目（tcplDefine 可查任意字段定义），化学身份可通过 DTXSID 与 CompTox Dashboard 的结构、性质、暴露数据互链。
§4 数据结构
§4.0 目录树（invitrodb v4.1 发布包解压后）
invitrodb_v4_1/
├── Invitrodb-v4_1-MySQL.sql # MySQL 全库转储（核心，导入后即完整数据库）
├── README.md # 发布说明与引用格式
├── ReleaseNotes/ # 版本变更、hitcall 定义、已知问题
├── Summary-Files/
│ ├── mc5-6_winning_model_fits-flags_invitrodb_v4_1_SEPT2023.csv
│ │ # 化学物-终点级：胜出模型 + hitc + flags（最常用）
│ ├── mc4_all_model_fits_invitrodb_v4_1_SEPT2023.csv
│ │ # 十模型全部拟合参数（含 top、ac50 各模型）
│ ├── cytotox_invitrodb_v4_1_SEPT2023.xlsx
│ │ # 化学物级 burst 中位数与下界（global MAD）
│ ├── assay_annotations_invitrodb_v4_1_SEPT2023.xlsx
│ │ # aeid → 终点名/来源/基因靶点/方法
│ └── assay_gene_mappings_invitrodb_v4_1_SEPT2023.xlsx
│ # 终点-基因映射
├── Concentration-Response-Plots/ # 全部化学物-终点曲线图
└── tcpl/ # R 包源码与 vignette 指引
下载源：官方 Exploring ToxCast Data 页面（本页 §INFOBOX 下载地址）。v4.3 包结构一致、文件名后缀换为对应日期。
目录树的三条导读：其一，做 AI 从 Summary-Files/ 开始即可，MySQL 转储只在需要下钻 sc/mc1-3 原始层时才导入；其二，文件名内嵌的日期（SEPT2023）就是事实上的数据指纹，任何分析脚本的输入路径都应带上它以避免版本混淆；其三，Concentration-Response-Plots/ 对人工复核 hitcall 质量极有用——抽查可疑 hit 时看一眼曲线，比任何统计指标都快。
§4.1 DAIMS 字段字典（核心表 12 行）
| 字段 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| dtxsid | text | DSSTox 物质唯一 ID | DTXSID7020182 | 主键、结构检索 | 无 | — | 全库唯一 |
| casrn | text | CAS 注册号 | 80-05-7 | 外部知识库 join | 同物异名可能 | — | 文本 |
| aeid | int | 归一化检测终点 ID | 2542 | 任务 ID（列名） | 无 | — | 1-1,496+ |
| aenm | text | 终点全名 | TOX21_ER_BLA_Antagonist_ratio | 可读任务名 | 命名随版本微调 | — | 文本 |
| hitc | float | 活性 hitcall 概率 | 0.95 | 核心标签（≥0.9 视为 active） | 模型概率非真值 | 未测=行缺失 | 0-1 |
| ac50 | float | 半最大活性浓度（µM） | 3.16 | 回归目标/效价 | 曲线拟合外推误差 | inactive=1,000,000（旧版矩阵） | >0（µM） |
| top | float | 胜出模型曲线顶部响应 | 62.4 | 效应幅度 | 模型依赖 | — | 实数 |
| flags | text | 质控 flag 列表（≤9 类） | Borderline active | 样本过滤 | flag 本身有争议 | 无 flag=空 | 枚举串 |
| cytotox_median_um | float | 化学物 burst 中位浓度（µM） | 25.1 | burst 过滤 | 依赖 ≥3 burst endpoints | <3 endpoints=1,000 | >0 |
| cytotox_lower_bound_um | float | burst 下界（median − 3×MAD） | 6.3 | 保守过滤阈值 | 同上 | 同上 | >0 |
| gene_target | text | 终点映射基因 | ESR1 | 通路特征 | 部分终点无靶点 | 无=空 | HGNC 符号 |
| assay_source | text | assay 来源机构 | Tox21 / Attagene | 批次/来源分层 | 无 | — | 26 枚举 |
§4.2 标签分布
- 理论满阵 9,559 × 1,496 ≈ 14,304,000 个化学物-终点格；实际观测格数远小于此（各化学品 assay 覆盖差异巨大），矩阵天然稀疏。
- 多数终点阳性率低（环境化学品对特定靶点通常无活性），个别广谱通路（如一般细胞应激）阳性率显著更高——多标签任务呈强类不平衡。
- MoleculeNet ToxCast 子集固化为 8,575 分子 × 617 任务，DeepChem/TDC 加载后每任务阳性数从个位数到数千不等。
上手任何 ToxCast 任务前，先跑一遍标签分布体检（同一份代码适用于 DeepChem 切片与 v4 自建矩阵）：
# 标签分布体检：每任务阳性数 / 覆盖数 / 阳性率，决定任务裁剪与指标口径
import numpy as np
import pandas as pd
# Y 与 mask 来自 §6.4 的 Dataset 构建（NaN=未测）
n_covered = (~np.isnan(Y)).sum(axis=0) # 每任务已测化学物数
n_pos = np.nansum(Y, axis=0) # 每任务阳性数（含 hitc 软值时先二值化）
stats = pd.DataFrame({
"aeid": task_cols,
"n_covered": n_covered.astype(int),
"n_pos": n_pos.astype(int),
"pos_rate": (n_pos / np.maximum(n_covered, 1)).round(4),
}).sort_values("n_pos", ascending=False)
print(stats.head(10)) # 最"热"的任务
print((stats.n_pos >= 10).sum(), "个任务达到 min_pos=10 建模门槛")
print(((stats.pos_rate > 0.5) & (stats.n_covered > 100)).sum(), "个高阳性率任务（疑为非特异通路，需 burst 复核）")
判读要点：阳性数 < 10 的任务不参与宏平均（§6.9 的 min_pos）；阳性率异常偏高的任务族往往是细胞应激/通用毒性通路，应优先做坑点 2 的 burst 过滤而不是当高质量标签保留。
§4.3 关键统计
| 统计量 | 数值 | 来源 |
|---|---|---|
| 独特化学物 | 9,559 | EPA SOT 2024 |
| 归一化检测终点 | 1,496 | EPA SOT 2024 |
| Assay 平台 / 来源 | 623 / 26 | EPA SOT 2024 |
| 已映射基因靶点 | 500+ | EPA SOT 2024 |
| Curated cytotoxicity assays | 88 | EPA SOT 2021（v4 设计值） |
| Global cytotoxicity MAD（2015 数据） | 0.289（log10 µM） | Judson et al. 2016（Nelms et al. 引述） |
| 可建模终点（学术筛选后） | 490 | MLinvitroTox v2（2025） |
统计口径提示：上表数字来自不同版本与不同时点（Phase 计数是 2016 年前口径，9,559 是 v4.1 口径，490 是经学术筛选后的口径），写作或引用时应注明所属层级——「1,496 个终点」指库内注释终点总数，「490 个可建模终点」指结构-活性建模可行性筛选后的子集，两者相差近三倍，混用是最常见的引用事故。
§4.4 数据层级
chemical（dtxsid）→ 测试 sample（化学物批次×assay）→ assay component（原始读出）→ assay endpoint（aeid，归一化终点）→ mc1-6 处理层。tcpl 六级处理中：sc = 单浓度（快速筛查），mc = 多浓度定量；level 4 = 各模型拟合参数，level 5 = 胜出模型与 hitcall，level 6 = flags。AI 用户通常只消费 mc5-6 级 summary；做方法学研究可下钻到 level 3 原始归一化响应。
tcpl 处理层速查（决定你要下载/查询哪一层数据）：
| 处理层 | 内容 | 消费者 |
|---|---|---|
| sc（single-concentration） | 单浓度筛查的二元活性 | 大规模化学库初筛；AI 一般不用 |
| mc0-mc2 | 板数据校正、浓度-响应整理 | 平台工程/QC |
| mc3 | 归一化响应（相对对照） | 方法学研究、深度学习原始波形 |
| mc4 | 十模型全部拟合参数（含各模型 AC50/top） | 模型比较研究 |
| mc5 | 胜出模型 + hitcall + AC50（µM） | AI 主力消费层 |
| mc6 | QC flag 注释 | 过滤与不确定性建模 |
§4.5 缺失值与信息性缺失编码
| 编码/形态 | 语义 | AI 处理 |
|---|---|---|
| 化学物-终点对整行缺失 | 未测试（not tested） | 多标签掩码：loss 置 -1，不得当负例 |
| AC50 = 1,000,000 µM（1e6，旧版 AC50 矩阵） | 已测试但无活性（inactive 哨兵） | 转换 hitcall 矩阵；严禁取 log/回归 |
| hitc = 0（v4 summary） | 已测试、胜出模型判定无活性 | 可作真负例（建议结合 flags 复核） |
| cytotox 值 = 1,000 µM 默认 | burst 终点不足 3 个、阈值不可估 | 该化学物不做 burst 过滤，另行标注 |
新旧两代数据形态对照（决定你该读哪一列）：
| 维度 | 旧版 AC50 矩阵（2015-10 v2 代） | v4 summary（mc5-6 CSV） |
|---|---|---|
| 活性表达 | AC50 数值矩阵（µM） | hitc（0-1 概率）+ AC50 列 |
| Inactive 编码 | 1,000,000 µM 哨兵值 | hitc = 0 |
| 未测试编码 | 空格/NA | 行缺失 |
| 单位 | µM（部分下载件为 log10 µM） | µM（v4 起明确） |
| QC 信息 | 独立 flags 文件（9 类） | 同表 flags 列 |
| burst 上下文 | 独立 cytotoxicity point 文件 | cytotox 表/XLSX |
| 推荐消费方式 | 仅用于复现 2015-2018 年论文 | 新研究首选 |
若继承旧代码库：第一件事是检查矩阵中是否存在 1e6 哨兵并替换（坑点 1），第二件事是确认 hitcall 阈值口径（坑点 3）。
§5 数据划分与使用建议
§5.1 官方划分
不存在官方训练/验证/测试划分——invitrodb 是监管科学数据库，其版本切分（v4.1/v4.3）以科学修订为准，不以 ML 评估为目的。
§5.2 社区惯例划分
| 惯例 | 划分方式 | 使用者 | 适用性 |
|---|---|---|---|
| MoleculeNet random split | 化学物级 80/10/20 随机 | DeepChem、多数 GNN 论文 | 快速可比，但高估泛化 |
| Scaffold split（Bemis-Murcko） | 按分子骨架分组 | SOTA2 榜单、DumplingGNN 等 | 更接近真实结构外推，推荐 |
| TDC splits | random / scaffold 二选一 | TDC 用户 | 一键可复现 |
选择建议按研究目标倒推：做方法论文（模型创新）→ 主用 scaffold、附 random 以示可比；做工程落地（预测服务）→ 直接用 cluster-based split 压力测试，并补 §5.3 的任务相关性审查；做化学品排序应用 → 根本不必做训练/测试划分，用全量标签 + 不确定性（hitc、flags）输出即可，划分只在你想评估模型可信度时才有意义。
§5.3 泄漏风险（重点） ⚠️
- 结构近邻泄漏：随机划分下同系物/盐型/立体异构体常横跨 train/test，模型只需记住子结构即可得高分；scaffold split 可显著缓解但不能消除（骨架不同但药效团相同）。
- 任务相关性泄漏：617 个任务中大量终点共享同一 assay component 或基因靶点，多任务模型可能通过任务间信息共享"间接作弊"；跨任务分析需按 aeid 谱系分层。
- 同物重复：同一 CASRN 的盐/水合物以不同 DTXSID 出现时，需先做结构标准化去重。
- 版本泄漏：训练用 v4.1、测试混入 v4.3 重测数据，会因管线更新引入虚假不一致。
§5.4 交叉验证建议
多标签任务采用 5-fold 化学物级分组交叉验证（GroupKFold by scaffold cluster）；对低阳性率任务（阳性 < 20）建议先过滤再统计宏平均，并在论文中报告参与统计的任务数（学术实践中 1,496 终点通常仅 400-600 个可建模，MLinvitroTox 筛得 490 个）。
# 骨架聚类分组的 5-fold 交叉验证骨架
import numpy as np
from rdkit import Chem
from rdkit.Chem.Scaffolds import MurckoScaffold
from sklearn.model_selection import GroupKFold
def murcko_group(smiles):
try:
return MurckoScaffold.MurckoScaffoldSmiles(smiles=smiles, includeChirality=False)
except Exception:
return smiles # 解析失败的分子自成一组
groups = np.array([murcko_group(s) for s in smiles_list])
gkf = GroupKFold(n_splits=5)
for fold, (tr, va) in enumerate(gkf.split(np.zeros(len(groups)), groups=groups)):
# tr/va 为化学物行索引：同一骨架的所有分子必然落在同一折
train_on, validate_on = tr, va
# ... 在每折内重新拟合 transformer（如归一化），防止跨折统计泄漏
§5.5 外部验证建议
- Tox21 交叉：12 个 Tox21 任务在 ToxCast 化学物上有重叠，可作跨计划一致性检查。
- 体内桥接：与 ToxRefDB 动物实验终点配对，评估体外-体内相关性（Thomas et al. 2012 传统）。
- 正交读出：以 ER/AR pathway model（监管级集成模型）作为子集任务的独立参照。
§6 AI 就绪指南 ⭐
§6.0 云端快速启动
无本地环境时，用 Google Colab（免费 GPU）即可完成 §6.1 全部体验：!pip install deepchem 后直接加载。若需最新 v4.3 全库，Colab 建议挂载 Google Drive 存放 MySQL 包。
§6.1 快速上手（5 分钟跑通基准）
# 目录结构预期：DeepChem 会自动下载 toxcast.csv 到 ~/.deepchem/datasets/
# ~/.deepchem/datasets/toxcast.csv # 8,575 行 × 617 任务列 + smiles 列
# data_root 拼接关系：DataLoader 无需手动拼接，首次运行自动缓存
# 最小可用子集：整个 toxcast.csv 即 MoleculeNet 固化切片（8,575 × 617）
import deepchem as dc
# featurizer=ECFP 分子指纹；splitter=random 与经典论文对齐（换 'scaffold' 可复现 SOTA 协议）
tasks, datasets, transformers = dc.molnet.load_toxcast(
featurizer='ECFP', split='random')
train, valid, test = datasets
model = dc.models.MultitaskClassifier(
n_tasks=len(tasks), n_features=1024, layer_sizes=[1000])
model.fit(train, nb_epoch=10)
metric = dc.metrics.Metric(dc.metrics.roc_auc_score, np.mean)
print('mean ROC-AUC:', model.evaluate(test, [metric], transformers))
预期：随机划分 + ECFP 多任务网络首轮即可获得约 0.60-0.64 的宏平均 ROC-AUC（与 MoleculeNet 论文经典基线 D-MPNN 0.655 同量级）；切到 scaffold split 后数字会显著下降（见 §8.1），这才是真实外推能力。
TDC 形态（单任务精调，适合分析某个具体通路）：
# TDC 按 assay 逐任务加载：先列出全部可用任务名，再选一个 aeid 任务
from tdc.single_pred import Tox
from tdc.utils import retrieve_label_name_list
label_list = retrieve_label_name_list("ToxCast") # 每个 label 是一个 assay 终点
data = Tox(name="ToxCast", label_name=label_list[0])
split = data.get_split(method="scaffold") # 或 method="random"
print(split["train"].shape, split["valid"].shape, split["test"].shape)
# 输出为 (SMILES, label) 表：可直接接 ECFP + XGBoost 或 GNN 单任务训练
§6.2 数据获取
| 渠道 | 链接 | 产物 | 适用 |
|---|---|---|---|
| EPA 官方发布页 | https://www.epa.gov/comptox-tools/exploring-toxcast-data | invitrodb v4.3 MySQL 包、summary CSV/XLSX、tcpl | 全量/最新 |
| CompTox Dashboard | https://comptox.epa.gov/dashboard | 单化学品活性面板、DTXSID 查询 | 逐个化学物核查 |
| CTX Bioactivity API | https://www.epa.gov/comptox-tools/computational-toxicology-and-exposure-apis | REST JSON | 程序化接入 |
| DeepChem MolNet | dc.molnet.load_toxcast() |
8,575 × 617 CSV | ML 基线 |
| TDC | tdc.single_pred.Tox(name='ToxCast') |
按 assay 逐任务加载 | 单任务精调 |
# 获取最新全库（示例流程，2026-09 核对）
# 1) 访问官方发布页，下载 invitrodb v4.3 数据库包（含 MySQL 转储）
# 2) 导入本地 MySQL 8.x
mysql -u root -p -e "CREATE DATABASE invitrodb CHARACTER SET utf8mb4;"
mysql -u root -p invitrodb < Invitrodb-v4_3-MySQL.sql
# 3) 安装官方 R 流水线（查询与可视化）
Rscript -e 'install.packages("tcpl"); library(tcpl)'
# 4) （可选）Python 侧补全：pip install pytcpl # 学术社区维护的 v4.1 处理复现包
获取方式的三条经验：其一，EPA 下载无需注册与鉴权，但国外网络访问 epa.gov 时 HTTPS 偶尔超时，重试或换镜像时段即可；其二，CompTox Dashboard 的批量导出（SMILES/性质/活性）有单次行数上限，万级化学物建议用 DSSTox 文件或 API 分批；其三，MySQL 导入前先确认版本字符集（utf8mb4）与 local_infile 权限，v4 转储文件较大，导入耗时主要在索引创建阶段。
§6.3 预处理全流程（mc5 CSV → 可训练多标签矩阵）
# 前提：/data/toxcast/ 下放有官方 v4.1 summary 文件（目录结构见 §4.0）
# data_root = /data/toxcast/Summary-Files/
import pandas as pd
import numpy as np
DATA = "/data/toxcast/Summary-Files/"
# 1) 读入化学物-终点级胜出模型文件
mc56 = pd.read_csv(DATA + "mc5-6_winning_model_fits-flags_invitrodb_v4_1_SEPT2023.csv")
# 2) 读取 assay 注释，构建 aeid → 终点名映射
ann = pd.read_excel(DATA + "assay_annotations_invitrodb_v4_1_SEPT2023.xlsx")
aeid2name = dict(zip(ann["aeid"], ann["aenm"]))
# 3) hitc 阈值化：≥0.9 判 active（社区/OECD 惯例；连续 hitc 可另存作软标签）
mc56["label"] = (mc56["hitc"] >= 0.9).astype(int)
# 4) 读取化学物级 burst 阈值，做细胞毒性假阳性过滤
cyto = pd.read_excel(DATA + "cytotox_invitrodb_v4_1_SEPT2023.xlsx")
cyto_map = dict(zip(cyto["dtxsid"], cyto["cytotox_lower_bound_um"]))
mc56["cyto_lb"] = mc56["dtxsid"].map(cyto_map)
# Z-score 法（Judson et al. 2016）：|Z|<=3 视为 burst 假阳性 → 移除或降权
burst = (mc56["ac50"] >= mc56["cyto_lb"]) & (mc56["cyto_lb"].notna())
mc56_filt = mc56[~burst].copy()
# 5) 可选：按 QC flag 过滤（OECD 准则：flags<3 且 AC50>最低测试浓度）
mc56_filt["n_flags"] = mc56_filt["flags"].fillna("").apply(lambda s: len([x for x in str(s).split("|") if x]))
mc56_clean = mc56_filt[mc56_filt["n_flags"] < 3]
# 6) 建模终点筛选：阳性率过低（<10 个阳性）的 aeid 剔除
counts = mc56_clean.groupby("aeid")["label"].sum()
keep_aeid = counts[counts >= 10].index
mc56_clean = mc56_clean[mc56_clean["aeid"].isin(keep_aeid)]
# 7) 透视成 化学物 × 终点 二值矩阵 + 掩码（未测=NaN）
Y = mc56_clean.pivot_table(index="dtxsid", columns="aeid", values="label", aggfunc="max")
print(Y.shape) # 例如 ~(9000, ~500-600)：比 617 更新但标签来自 v4
# 8) 关联分子结构：从 CompTox Dashboard 导出 DTXSID → SMILES（或用 DSSTox 文件）
# https://comptox.epa.gov/dashboard/ → Chemicals API 批量导出
smiles = pd.read_csv("/data/toxcast/dsstox_toxcast_smiles.csv") # 列: dtxsid, smiles
Y = Y.merge(smiles.set_index("dtxsid"), left_index=True, right_index=True, how="inner")
# 9) 分子标准化与去重（防坑点 8 的结构泄漏第一步）
from rdkit import Chem
from rdkit.Chem.MolStandardize import rdMolStandardize
def standardize(smiles):
mol = Chem.MolFromSmiles(smiles)
if mol is None:
return None
normalizer = rdMolStandardize.Normalizer()
uncharger = rdMolStandardize.Uncharger()
mol = uncharger.uncharge(normalizer.normalize(mol))
return Chem.MolToSmiles(mol)
Y["smiles_std"] = Y["smiles"].map(standardize)
dup_mask = Y["smiles_std"].duplicated(keep="first") # 盐型/重复 CASRN 折叠为一条
Y = Y[~dup_mask].reset_index(drop=True)
# 注意：去重必须在划分之前完成，否则同一结构可能横跨 train/test
§6.4 PyTorch DataLoader（完整可运行）
# 目录结构预期：
# /data/toxcast/toxcast_v41_matrix.parquet # §6.3 产物：dtxsid, smiles, <aeid 列...>
# data_root = /data/toxcast/
import numpy as np
import pandas as pd
import torch
from torch.utils.data import Dataset, DataLoader
from rdkit import Chem
from rdkit.Chem import AllChem
DATA_ROOT = "/data/toxcast/"
class ToxCastMultiLabel(Dataset):
"""化学物-终点多标签稀疏矩阵数据集。
- 每行一个化学物；每列一个 aeid 终点
- mask 矩阵区分『未测(0)』与『测过(1)』，loss 仅统计 mask=1 格
- 特征：2048 位 Morgan 指纹 radius=2（可替换为 GNN 图输入）
"""
def __init__(self, parquet_path, fp_bits=2048):
df = pd.read_parquet(parquet_path)
self.task_cols = [c for c in df.columns if c not in ("dtxsid", "smiles")]
self.Y = df[self.task_cols].to_numpy(dtype=np.float32) # NaN=未测
self.mask = (~np.isnan(self.Y)).astype(np.float32)
self.Y = np.nan_to_num(self.Y, nan=0.0)
self.fps = np.stack(
[self._fp(s, fp_bits) for s in df["smiles"]]).astype(np.float32)
@staticmethod
def _fp(smiles, bits):
mol = Chem.MolFromSmiles(smiles)
if mol is None:
return np.zeros(bits, dtype=np.float32)
return np.array(AllChem.GetMorganFingerprintAsBitVect(mol, 2, bits), dtype=np.float32)
def __len__(self):
return len(self.fps)
def __getitem__(self, i):
return (torch.from_numpy(self.fps[i]),
torch.from_numpy(self.Y[i]),
torch.from_numpy(self.mask[i]))
train_ds = ToxCastMultiLabel(DATA_ROOT + "toxcast_v41_matrix.parquet")
train_dl = DataLoader(train_ds, batch_size=256, shuffle=True, num_workers=4)
配套的多标签掩码训练循环（与上面的 Dataset 逐行对接）：
import torch.nn as nn
device = "cuda" if torch.cuda.is_available() else "cpu"
model = nn.Sequential(
nn.Linear(2048, 1024), nn.ReLU(), nn.Dropout(0.2),
nn.Linear(1024, 512), nn.ReLU(), nn.Dropout(0.2),
nn.Linear(512, len(train_ds.task_cols)),
).to(device)
criterion = nn.BCEWithLogitsLoss(reduction="none")
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-5)
for epoch in range(20):
model.train()
for fp, y, mask in train_dl:
fp, y, mask = fp.to(device), y.to(device), mask.to(device)
logits = model(fp)
loss_mat = criterion(logits, y) * mask # 未测格不计损失（坑点 4）
loss = loss_mat.sum() / mask.sum().clamp(min=1)
optimizer.zero_grad(); loss.backward(); optimizer.step()
print(f"epoch {epoch}: masked loss {loss.item():.4f}")
# 推理：probs = torch.sigmoid(model(fp)) 后接 §6.9 的 masked_macro_scores
§6.5 坑点 8 个（ToxCast 真实特有失败模式）
⚠️ 坑点 1：AC50 矩阵的 1e6 哨兵值会被当作真实效价（分类：预处理陷阱）
问题：旧版 summary 的 AC50 矩阵用 1,000,000 µM 表示「已测但无活性」，用 NA 表示「未测试」。直接把矩阵丢进回归、取对数或算均值时，1e6 会以“极端强效价”身份参与计算，NA 则可能被 pandas 静默填 0 变成“最毒”。
症状：回归模型的预测效价系统性偏大数个量级；log(AC50) 直方图在 log10(1e6)=6 处出现异常尖峰；按 AC50 排序的“最毒化学品 Top10”被大量 inactive 化学品霸榜。
解决：
- 简单方法：读入后立即
df.replace(1e6, np.nan)，且永远用 mask 区分「未测」与「inactive」两种 NaN。- 进阶方法：改用 v4 的 mc5-6 文件（hitc + ac50 列），inactive 由 hitc=0 表达，不再有哨兵值；只在 hitc≥0.9 的行上做 AC50 回归。
- SOTA 方法：保留连续 hitc 作软标签做加权回归，权重 = hitc 概率，同时建模「是否有活性」与「多强」两个头。
参考：Nelms et al. 2023（Chem Res Toxicol，LJMU Repository）；ToxCast 2015-10 发布页数据说明
⚠️ 坑点 2：细胞毒性 burst 假阳性污染标签（分类：标签理解 / 偏倚陷阱）
问题：化学品浓度接近其细胞毒性/应激阈值时，大量与靶点机制无关的 assay 会集体「亮灯」（burst 现象）。这些 hit 不是特异性机制信号，而是非特异性细胞损伤。不过滤会把「广谱细胞毒物」误标成「同时激活几十条通路的多靶点毒物」。
症状：某化学物在百余个无关联终点上同时 active 且 AC50 高度聚集；UMAP 上此类化学品聚成一团「全能毒性簇」；模型学会用「疏水性 + 反应性」预测全面阳性。
解决：
- 简单方法：删除 AC50 高于该化学物 cytotox_lower_bound_um（官方 cytotox 表提供）的所有 hit。
- 进阶方法：Z-score 法（Judson et al. 2016）：Z = (logAC50(chem,assay) − logAC50(chem,cytotox)) / global MAD，|Z|≤3 的 hit 判为 burst 移除；global MAD 取官方 cytotox 文件（2015 数据为 0.289）。
- SOTA 方法：v4.1 后直接使用更新版 tcplCytoPt（要求 ≥60 个 burst endpoints 覆盖、5% 阳性率、88 个 curated cytotox assays）重算下界；对仍处灰色带的 hit 用 hitc 作软标签降权。
参考：Judson et al. 2016；Feshuk et al. 2023 invivodb v4 说明；Nelms et al. 2023
⚠️ 坑点 3：hitcall 是连续概率，不是二元真值（分类：标签理解）
问题：hitc 是曲线拟合的置信度（tcplfit2 中 = 三个概率的乘积），文献阈值有 hitc>0、≥0.5、≥0.9 多种取法；部分 hitcall 还被官方 flag「Hit-call potentially confounded by overfitting」标注为过拟合嫌疑。阈值选择不当会剧烈改变正例规模与任务难度。
症状：同一模型在 hitc>0 标签下 AUROC 0.75、在 hitc≥0.9 标签下 0.65，论文间无法对齐；下游用户报告的「阳性数」对不上。
解决：
- 简单方法：锁定一个社区高频阈值（hitc≥0.9）并在论文中显式声明。
- 进阶方法：用 hitc 做软标签或概率校准目标（BCE on hitc，而非 0/1），同时过滤带 overfitting flag 的样本。
- SOTA 方法：多阈值敏感性分析（0.5/0.9 双报告），并用 OECD 准则（flags<3、AC50>最低浓度、hit percent≥50%）复筛后统计。
参考：Filer et al. 2017（tcpl）；OECD ENV/CBC/MONO(2022)43；PMC11402864（hitc≥0.9 实践）
⚠️ 坑点 4：稀疏不是随机的——MNAR 覆盖当 MCAR 处理（分类：偏倚陷阱）
问题：化学物 × 终点矩阵的覆盖由筛选历史决定：Phase I 农药深筛数百终点，Phase III 新化学品常只有 Tox21 单浓度级覆盖。「未测」与化学物用途类别、年代强相关（not missing at random）。把未测当随机缺失填 0 或忽略，会让模型把「筛选年代/类别」学成毒性特征。
症状：加入「Phase 编号」作为特征后性能暴涨；对 2020 年后新化学品预测全负；按用途类别分层评估时性能分布极不均匀。
解决：
- 简单方法：只用「已测格」计算 loss 与指标（mask 机制），绝不把未测格当负例。
- 进阶方法：按 assay_source/Phase 分层报告指标；训练时对 Phase I/II 深筛化学物降采样，缓解覆盖深度与标签的混淆。
- SOTA 方法：用矩阵补全/多任务缺失机制建模（如 UKIG、负采样校正），或在论文中同时报告 per-source 指标。
参考：Nelms et al. 2019/2023 关于化学物覆盖差异的分析；Richard et al. 2016 Phase 构成
⚠️ 坑点 5：invitrodb v3 → v4 是断层升级，跨版本拼标签必炸（分类：工程陷阱）
问题：v4 重做了曲线拟合（tcplFit2 十模型替换旧三模型）、改了效价单位（log10-µM → µM）、重定义了 hitcall 概率、更新了 burst 端点集合（91→88、覆盖率门槛 60）。MoleculeNet/DeepChem 的 toxcast 切片取自 2015 年 v2 代数据，与 v4 标签不可混用。
症状：同一化学品-终点在两份文件里 hitc 与 AC50 对不上；旧基准上的模型在 v4 数据上「性能崩塌」；团队仓库里两套 CSV 相互覆盖引发实验不可复现。
解决：
- 简单方法：项目一开始就钉死版本（复现论文用 DeepChem/MoleculeNet 切片，新研究用 v4.x），目录名与 wandb 数据版本标签写入版本号。
- 进阶方法：用 pytcpl（Python）或 tcpl（R）在本地重放 v4.1 处理层，保证从原始层到标签全链路可复现。
- SOTA 方法：建立数据卡片（data card）记录 aeid 集合、hitc 阈值、burst 过滤参数；跨版本对比时仅以「两端都重测」的格子为分析集。
参考：Feshuk et al. 2023（v4 变更）；SOT 2021 摘要（tcplFit2 变更清单）
⚠️ 坑点 6：26 个 assay 来源的方向性与平台差异混入同一任务头（分类：预处理陷阱）
问题：同一基因靶点常有多个供应商的多个终点（如 Attagene 与 Tox21 各自的 ER assay），读出方向有激活/抑制之分，技术有生化/细胞之分。把它们无差别 pivot 成 1,496 列任务，会把「平台伪影」当「生物学」学进去；同一化学品在同一靶点上不同平台结论冲突时无从仲裁。
症状：消融实验显示去掉 assay_source 特征后性能骤降；冲突终点（同靶点一阴一阳）比例超过 10%；模型对特定供应商的 assay 系统性打高分。
解决：
- 简单方法：从 assay_annotations 表 join 出 assay_source 与方向注释，按来源分层评估。
- 进阶方法：任务嵌入加入（target, source, direction）三元组；对同靶点多终点做组级聚合（EPA v4 注释升级正是为此）。
- SOTA 方法：用 ER/AR pathway model 等监管级集成模型做同靶点「真值仲裁」，研究单终点与集成模型的分歧来源。
参考：EPA SOT 2024（26 来源/623 平台）；Judson et al. 2015（ER 集成模型）；Kleinstreuer et al. 2017（AR）
⚠️ 坑点 7：忽略 9 类 QC flag，把「Borderline active」当强证据（分类：评估误用）
问题：mc6 层为每个化学物-终点对附了最多 9 类 flag（如「Only one concentration above baseline, active」「Borderline active」「Gain AC50 < lowest concentration and loss AC50 < mean concentration」「Hit-call potentially confounded by overfitting」）。flag 多的 hit 可重复性与机制可解释性都差；直接全量训练会让边界样本主导学习信号。
症状：hit 集中在仅有一档浓度超基线的样本；移除 5% flag 样本后指标大幅波动；毒性学家复核时大量「active」无法机制解释。
解决：
- 简单方法：过滤 flags 计数 ≥3 的样本（OECD 准则）。
- 进阶方法：对「Borderline active」「single-concentration」类 flag 样本降权或只留测试集观察。
- SOTA 方法：以 flag 作为不确定性估计输入（如 label noise 模型 / 同方差不确定性加权），让模型自动学边界样本权重。
参考：Filer et al. 2017（flag 定义 vignette）；Nelms et al. 2023（flag 过滤实践）；OECD MONO(2022)43
⚠️ 坑点 8：随机划分下结构近邻泄漏，scaffold 分数骤降 10+ 个点（分类：数据泄漏）
问题：ToxCast 化学库内同系物、盐型、重复 CASRN 结构众多。随机划分使训练/测试共享骨架甚至近乎相同分子，GNN 得分虚高；换 scaffold split 后同模型 ROC-AUC 常跌 8-13 个点，误导模型选型。
症状：random split 0.75+ 而 scaffold split 只有 0.63-0.66；错误示例（false positive 分析）里出现训练集近邻；提交复现时审稿人指出划分不严格。
解决：
- 简单方法：用 DeepChem
split='scaffold'或 TDC scaffold split 替换 random，双划分同时报告。- 进阶方法：先做结构标准化（去盐、中和电荷、规范互变异构）+ InChIKey 去重，再按 Bemis-Murcko 骨架聚类分组划分。
- SOTA 方法：按 Tanimoto 相似度阈值（如 0.4）做 cluster-based split（更严于 scaffold），并报告跨簇最近邻分布证明无泄漏。
参考：MoleculeNet（Wu et al. 2018）划分定义；SOTA2 ToxCast scaffold 榜单（random 与 scaffold 分差可见）
§6.6 数据增强（安全 vs 危险）
| 操作 | 判定 | 说明 |
|---|---|---|
| SMILES 非规范枚举（随机原子序） | ✅ 安全 | 图结构不变，等效于随机化表示，GNN/SMILES 模型通用 |
| 随机 mask 任务列（任务级 dropout） | ✅ 安全 | 多任务训练标准做法，缓解任务耦合 |
| 同靶点跨平台标签互换 | ❌ 危险 | 平台差异真实存在（坑点 6），互换=注入平台伪影 |
| 把未测格补 0 当负例 | ❌ 危险 | MNAR 缺失（坑点 4），系统性扭曲标签分布 |
| AC50 取 log 前不删 1e6 哨兵 | ❌ 危险 | 见坑点 1 |
| 分子片段拼接/骨架跳接生成「新化学品」 | ⚠️ 慎用 | 体外活性对结构敏感，生成样本标签不可信，仅可用于无监督预训练 |
一条实用边界：ToxCast 的「样本」是化学物、「标签」是终点，因此传统 CV/NLP 式样本增强在这里没有对应物——所有有效的增强都发生在输入表示层（SMILES 枚举、图扰动）而非标签层。任何试图在标签层做文章（补 0、互换、插值 AC50）的操作，几乎必然踩中 §6.5 的某个坑点。
§6.7 模型推荐表
| 模型 | 类型 | ToxCast 参考表现 | 适用场景 |
|---|---|---|---|
| D-MPNN / Chemprop | 消息传递 GNN | ROC-AUC 0.655（MoleculeNet random） | 稳健基线、单任务精调 |
| GIN + ECFP/XGBoost 组合 | 混合 | 0.63-0.74 区间（split 相关） | 特征工程路线、小样本任务 |
| Uni-Mol | 3D 预训练 Transformer | 0.692-0.696 | 强预训练、跨数据集迁移 |
| GEM | 几何预训练 GNN | 0.692 | 3D 信息增强 |
| GROVER | 自监督大模型 | 0.653-0.657 | 大规模预训练微调 |
| kMoL（联邦学习库） | GNN + 联邦 | 0.7713（自定义协议） | 多机构数据协同 |
| DumplingGNN | 混合 GNN | 0.782（scaffold，2024 SOTA） | 追榜单 |
| 多任务 MLP（ECFP） | 指纹 + MLP | 0.60-0.64 | 快速基线与消融对照 |
§6.8 硬件需求表
| 阶段 | 最低配置 | 推荐配置 | 说明 |
|---|---|---|---|
| ECFP + 多任务 MLP / XGBoost | 8 核 CPU、16 GB RAM | 16 核 CPU、32 GB RAM | 无需 GPU；矩阵 ~8,575 × 617 内存可容 |
| GNN（D-MPNN/GIN）训练 | 1 × 8 GB GPU | 1 × 24 GB GPU（A100/4090） | 617 任务大输出头显存压力大 |
| 预训练模型微调（Uni-Mol/GROVER） | 1 × 24 GB GPU | 4 × 24 GB 多卡 | 大 batch 多任务更稳 |
| v4 全库 MySQL 导入 | 4 核、16 GB RAM、50 GB 盘 | 8 核、64 GB RAM、200 GB SSD | 建索引后 tcpl 查询流畅 |
成本感受参考：ECFP+MLP 基线在一台普通 Colab/工作站上十分钟内可完成；GNN 多任务训练以小时计；真正的大头开销在数据工程（§6.3 的过滤链路）与 MySQL 全库导入，而非 GPU。绝大多数团队卡住的地方从来不是算力，而是坑点 1-4 的标签口径没对齐。
§6.9 评估指标代码
# 多标签掩码 ROC-AUC / PR-AUC：只统计已测格，任务级计算后取宏平均
import numpy as np
from sklearn.metrics import roc_auc_score, average_precision_score
def masked_macro_scores(y_true, y_pred, mask, min_pos=10):
"""y_true/y_pred/mask: (n_chem, n_task) ndarray。
min_pos: 阳性数低于该值的任务不参与统计（防止单样本任务拉爆宏平均）"""
aurocs, praucs = [], []
for j in range(y_true.shape[1]):
m = mask[:, j] == 1
t = y_true[m, j]
if t.sum() < min_pos or t.sum() == len(t):
continue # 阳性不足或全阳性任务跳过
p = y_pred[m, j]
aurocs.append(roc_auc_score(t, p))
praucs.append(average_precision_score(t, p))
return (float(np.mean(aurocs)), len(aurocs)), (float(np.mean(praucs)), len(praucs))
指标之外的两个补充实践：其一，对 hitc 软标签场景可报告 soft-ROC-AUC（以连续 hitc 为目标、sigmoid 输出为预测），比硬阈值更贴近数据生成过程；其二，若模型输出用于化学品排序（而非分类），请补充报告每任务 AC50 预测的 Spearman 相关（仅限 active 子集），并注意 active 判定本身继承了坑点 1-3 的全部口径约定。
§6.10 MLOps 笔记
- 数据版本化：invitrodb 版本（v4.1/v4.3）+ summary 文件 SHA256 + hitc 阈值 + burst 过滤参数共同构成数据集指纹，写入 DVC/W&B；任何一项变化都视为新数据集（坑点 3/5）。
- 评测防漂移：固定 aeid 白名单与 min_pos 规则；榜单比较时声明 split 协议（random vs scaffold 的分差可达 10+ 点）。
- 监控信号：线上部署（如筛选平台打分）时监控输入化学品用途类别的分布漂移——ToxCast 训练域以美国监管化学品为主，新域（如天然产物）分布外风险高（§7.3）。
- 复现链路：优先 pytcpl/tcpl 重放官方管线而非自造预处理；记录 aeid→assay_source 映射快照以应对注释随版本更新。
- 权限与成本：数据本身免费（公共领域），无 API 限额焦虑；唯一稀缺资源是「同版本快照」——把首次下载的 summary 文件原样归档（含文件名中的日期戳），团队所有人从归档读取而非各下各的。
- 文档义务：任何基于 ToxCast 的交付物（论文/报告/模型卡）应附三行声明：invitrodb 版本与下载日期、hitc 阈值、burst/flag 过滤规则。这既是可复现要求，也是 EPA 官方引用格式的一部分。
§7 质量评估与局限性
§7.1 已知偏倚表
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 化学选择偏倚 | Phase I 农药主导，库整体偏向美国监管清单，覆盖不全化学宇宙 | 中 | 下游建模时按用途类别分层评估；避免外推到天然产物等未覆盖域 |
| Assay 覆盖 MNAR | 筛选深度随 Phase/年代/预算变化，「未测」非随机 | 高 | mask 机制 + 分层评估（坑点 4） |
| Burst 假阳性 | 细胞毒性浓度附近非特异 hit | 高 | cytotox 下界 + Z-score 过滤（坑点 2） |
| 平台/供应商偏倚 | 26 来源、623 平台读出方向与技术各异 | 中 | 按 assay_source 分层；同靶点多终点聚合（坑点 6） |
| 类别不平衡 | 多数终点阳性率低 | 中 | PR-AUC 补充 ROC-AUC；min_pos 过滤 |
| 浓度窗截断 | 常规测试上限 100 µM-1 mM，高毒低效价物质可能被截断为 inactive | 低-中 | 解释 AC50 时结合最高测试浓度字段复核 |
§7.2 标注质量
自动曲线拟合 + 概率化 hitcall 的体系使标注过程可复现、不确定性可量化，这是 ToxCast 相对人工标注库的核心优势。配套三重保障：9 类 QC flag 暴露可疑样本；化学物级 burst 阈值提供假阳性上下文；ER/AR pathway model 等监管级集成模型提供跨 assay 仲裁。局限：hitcall 由通用 cutoff 驱动而非终点特异 cutoff 时会低估活性（v4 已改用终点特异性 cutoff 缓解）；flag 本身存在争议（「Borderline active」在学界被用作降权依据也被质疑过度过滤）。
关于 ER/AR 两个集成模型的定位需要特别说明：它们不是 ToxCast 的「真值标签」，而是以 ToxCast 多个 ER/AR assays 为输入、按机制权重组合的下游模型——Judson et al.（2015）与 Kleinstreuer et al.（2017）分别给出了与监管验证集的一致性评估。对 AI 团队，这两个模型最有价值的用法是作为同一靶点上多平台终点的仲裁参照（坑点 6），检验你的多任务模型在 ER/AR 任务族上是否与监管级结论系统性冲突。
§7.3 泛化性评估
| 场景 | 失效风险 | 证据 |
|---|---|---|
| 外推到未筛选化学品类别（天然产物、大分子） | 高 | 化学库以小分子监管清单为主（Richard et al. 2016） |
| 单 assay 直接预测体内毒性 | 高 | Thomas et al. 2012：单 assay 预测力有限，组合 NAM 才有效 |
| 跨物种（生态毒理）直接迁移 | 中-高 | assay 以人源细胞为主，跨物种需 SeqAPASS 类工具桥接（EPA 官方案例） |
| 跨版本（v3↔v4）标签一致性 | 高 | 管线与单位断层（Feshuk et al. 2023） |
| 低覆盖新化学品（仅 Tox21 单浓度） | 中 | 覆盖 MNAR（坑点 4） |
泛化性结论可以压缩成一句话：ToxCast 模型在「与训练化学宇宙相似的小分子监管清单内」最可信，向结构新域（大分子、有机金属、天然产物）、平台新域（未入库的 assay 供应商）与时间新域（v4 之后的新化学品）外推时，都应附带明确的不确定性提示——这也是把 hitc 与 flags 一起输出的监管价值所在。
§7.4 伦理考量
数据不含人类受试者或动物个体信息，不涉及隐私。其伦理价值在于替代动物实验：以体外 NAM 减少传统毒理学动物用量是立项初衷。使用时应避免将体外 hit 直接表述为「某化学品致癌/致畸」等强因果断言——AOP 推理链需要额外证据层。
§7.5 公平性
无人群维度公平性问题。化学品维度上的「公平性」体现为库覆盖的结构性倾斜（农药/工业化学品偏多，消费品新化学物偏少），下游应用（如消费品安全筛查）需注意覆盖缺口造成的保护盲区。
§7.6 数据漂移
版本级漂移真实存在：v4 相对 v3 更换拟合引擎与单位（模型重训需求）；assay 注释持续修订（aeid 集合缓慢变化）；新增化学品按计划滚动入库。长期运行的毒性预测服务应建立版本固定与季度 diff 机制。
三个值得写进运维手册的漂移检查点：标签漂移——同 aeid 在 v4.3 与 v4.1 间的 hitc 差异分布（若有，说明管线仍在微调）；覆盖漂移——新版本新增化学物的用途类别构成（决定你的模型对「新入库化学品」域的天然盲区）；注释漂移——aeid→gene_target 映射的变更清单（影响按通路聚合的特征工程）。三者都可用一次 SQL/pandas diff 从相邻版本 release notes 与 summary 文件自动生成。
§7.7 DAIMS 24 项检查
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式可用 | ✅ | mc5 CSV 可直接 pivot 为化学物 × 终点矩阵 |
| 2 | 唯一标识 | ✅ | DTXSID/CASRN（化学物）+ aeid（终点）双主键体系 |
| 3 | 特殊字符处理 | ✅ | 字段均为标准 ASCII/受控词表 |
| 4 | 重复行 | ⚠️ | 同化学物跨批次/版本重测并存，需按版本取最新 |
| 5 | 缺失编码 | ✅ | 未测=行缺失、inactive=hitc0/1e6 哨兵，语义均有官方文档 |
| 6 | 标签标识 | ✅ | hitc 连续概率 + 社区标准阈值 0.9 |
| 7 | 罕见类分组 | ⚠️ | 低阳性终点需 min_pos 过滤（1,496 → 约 490 可建模） |
| 8 | 偏倚评估 | ⚠️ | MNAR/burst/平台偏倚均需自行量化（§7.1） |
| 9 | 数据字典 | ✅ | tcplDefine 在线字典 + Assay Annotation User Guide |
| 10 | 信息性缺失解释 | ✅ | 官方文档明确 NA/1e6/默认 1000 µM 的语义 |
| 11 | 设备/平台记录 | ✅ | assay_source/platform/component 层级注释完整 |
| 12 | 共线性 | ⚠️ | 同靶点多终点高度相关，多任务头需正则或聚合 |
| 13 | 编码映射 | ✅ | 终点-基因映射文件随版本发布 |
| 14 | 时间戳处理 | ✅ | 版本化发布 + 处理层 ID（sc/mc level）可追溯 |
| 15 | 划分建议 | ⚠️ | 官方无划分；社区 random/scaffold 双惯例（§5.2） |
| 16 | 泄漏讨论 | ⚠️ | 结构近邻与任务相关性泄漏需自行控制（§5.3） |
| 17 | 标签分布 | ✅ | 每任务阳性数可由 summary 直接统计 |
| 18 | 测量偏倚 | ⚠️ | 26 来源平台差异需分层评估（坑点 6） |
| 19 | 外部验证建议 | ✅ | Tox21 重叠 / ToxRefDB 体内桥接 / 监管模型仲裁（§5.5） |
| 20 | 版本记录 | ✅ | Release notes 详尽，旧版可回溯下载 |
| 21 | 预处理脚本 | ✅ | tcpl（R）官方开源；pytcpl（Python）社区复现 |
| 22 | 合规要求 | ✅ | 美国公共领域，无注册/DUA 负担 |
| 23 | 多模态对齐 | ⚠️ | 结构-活性对齐需自行 join DSSTox；无原生多模态 |
| 24 | 去标识化 | ✅ | 无个人数据，不适用 |
表内状态的语义边界：✅ 指官方已提供且可直接消费；⚠️ 指信息存在但需使用者完成一次转换或决策（如选阈值、做过滤）；❌ 指能力缺位且无官方替代。ToxCast 无 ❌ 项的原因很直接——它是政府维护的活数据库而非一次性学术发布，基础设施类检查项天然全绿；其全部扣分都落在「从监管语义到 ML 语义的转换」一侧。
DAIMS 评分：19.0 / 24（✅×15 + ⚠️×8 + ❌×0，✅=1、⚠️=0.5、❌=0）
评分解读：19.0/24 属于「AI 就绪度高的公共科学数据集」档位：身份体系、字典、版本管理、官方预处理脚本、合规状态五项全绿，超过绝大多数学术数据集；失分集中在「无官方划分与泄漏讨论」（15/16）与「需自行处理的统计陷阱」（7/8/12/18）——这些不是数据缺陷，而是从监管库到 ML 基准的固有转换成本。
对你意味着什么：(1) 你可以在一天内搭起可复现的毒性预测 baseline（DeepChem/TDC 一行加载 + §6.9 指标代码）；(2) 但从 baseline 到可信结论必须完成四件事——hitc 阈值声明、burst 过滤、flag 过滤、scaffold 划分，缺一则结果不可发表；(3) 不要试图同时用 v2/v3/v4 标签做合并训练，钉死一个版本；(4) 若目标是监管风格的化学品排序，直接复用官方 cytotox 表与 ER/AR pathway model，而非自造标准。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| EDSP 验证化学物集 | EPA EDSP | ER pathway model vs 体外标准组合 | 模型灵敏度/特异度（Judson et al. 2015） | 集成模型显著优于单 assay | 16 assays 集成达到监管可用精度 |
| AR 验证集（18 化学物参考组合） | EPA/合作机构 | AR pathway model（Kleinstreuer et al. 2017） | 与验证集一致率 | 同上 | AR 模型成为 EDSP Tier 1 替代方法 |
| MassBank 结构/谱学集 | 学术社区 | MLinvitroTox v2 结构→490 终点分类 | 内部 test 与 MB 集差异（2025 论文） | 跨库迁移性能下降但仍可用 | 约 1/4 终点可由结构准确预测 |
| ToxRefDB 体内终点 | EPA | 体外谱→体内毒性组合模型（Thomas et al. 2012 传统） | 弱到中等相关性 | 显著低于 assay 间一致性 | 单 assay 不足以预测体内，组合必要 |
§8 基准性能与生态
§8.1 排行榜（MoleculeNet ToxCast，8,575 × 617，ROC-AUC）
| 排名 | 模型 | ROC-AUC | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|
| 1 | DumplingGNN | 0.782（scaffold） | 2024 | 混合图网络 + dummy super node | Zhang et al., 2024, arXiv:2410.05278 | 有（论文附） |
| 2 | kMoL | 0.7713 ± 0.02（自定义协议） | 2025 | GNN + 联邦学习库 | López et al., 2025, Briefings in Bioinformatics / PMC11854109 | 有（GitHub） |
| 3 | Uni-Mol | 0.696 | 2023 | 3D 分子预训练 Transformer | Zhou et al., 2023, npj Computational Materials | 有 |
| 4 | GEM | 0.692 | 2022 | 几何图预训练 | Fang et al., 2022, ICML | 有 |
| 5 | PretrainGNN | 0.657 | 2020 | 上下文/属性掩码预训练 | Hu et al., 2020, NeurIPS | 有 |
| 6 | D-MPNN | 0.655 | 2018 | 有向消息传递 | Yang et al., 2019, JCIM（MoleculeNet 基线见 Wu et al., 2018, Chemical Science 9:513） | 有 |
| 7 | Attentive FP | 0.637 | 2019 | 图注意力 | Xiong et al., 2020, JCIM | 有 |
| 8 | GraphMVP | 0.631 | 2022 | 2D-3D 一致性自监督 | Liu et al., 2023, ICLR | 有 |
数值不可直接比较的原因：上表混合了 random split 与 scaffold split（kMoL 系列为 random 协议、DumplingGNN 为 scaffold）；各论文的 featurizer、多任务聚合方式（宏平均 vs 逐任务）、是否过滤低阳性任务不一致；MoleculeNet 切片取自 2015 年数据，与 invitrodb v4 标签不同。跨论文比较只作趋势参考。
§8.2 SOTA 总结与选型建议
scaffold 划分下 SOTA 在 0.78 附近但由单一论文报告、复现面窄；保守可信区间为 0.65-0.70（多个独立团队、公开代码）。选型建议：追求稳健可发表 → D-MPNN/Chemprop + scaffold split 双报告；追求榜单 → DumplingGNN 类混合架构 + 严格 cluster split；数据科学团队无 GPU → ECFP + XGBoost/multitask MLP 仍是性价比之王。
两点趋势判断：其一，ToxCast 榜单的进步主要来自预训练表征（Uni-Mol/GEM/GROVER 均超经典基线 3-5 个点）而非架构本身，说明 617 任务的稀疏标签空间正是预训练方法的主场；其二，从 0.65（2018 基线）到 0.78（2024 SOTA）用了六年，而同类 Tox21 任务（12 任务）同期已逼近 0.85+——任务空间大、标签稀疏使 ToxCast 成为「还没被榨干」的基准，新方法的边际收益更容易在这里显现。
§8.3 评测协议
- 数据：DeepChem
load_toxcast()（8,575 × 617）或自建 v4 矩阵（声明版本与过滤参数）。 - 划分：random（历史可比）+ scaffold（现实外推）双协议。
- 特征：ECFP4-2048（MLP/XGBoost）或分子图（GNN）。
- 损失：masked BCE（未测格剔除）；类不平衡可加权。
- 指标：宏平均 ROC-AUC（主）+ 宏平均 PR-AUC（辅）+ 参与统计任务数。
- 报告：随机种子 ×3 均值±方差；hitc 阈值与过滤规则全披露。
两条协议纪律：其一，不要跨榜比较——random 与 scaffold 榜单分差 8-13 个点，混排会让选型决策失真；其二，每任务宏平均前固定 min_pos，并把被剔除任务清单随代码发布，否则不同论文的「宏平均」分母不同，数字天然不可加和。若审稿或复现者质疑标签口径，直接给出 hitc 阈值、burst 过滤与 flag 过滤三件套的配置文件。
§8.4 相关数据集
| 数据集 | 规模 | 任务 | 与 ToxCast 关系 |
|---|---|---|---|
| Tox21 | 7,831 × 12 | 核受体/应激二元分类 | 已并入 invitrodb；重叠化学物可交叉验证 |
| ToxRefDB | 600+ 体内研究 | 动物效价 | 体内金标准桥接 |
| DSSTox | 100 万+ 物质 | 化学身份/性质 | ToxCast 化学身份主数据（DTXSID） |
| TDC ToxCast | 逐 assay 加载 | 单任务毒性 | ToxCast 的 TDC 形态 |
| ClinTox / SIDER | 1,484 / 1,427 | 临床/上市后毒性 | 表型终点互补 |
| PCBA | 43.7 万 × 128 | 生化活性 | PubChem 生化筛选扩展 |
组合使用建议：结构预训练语料选 DSSTox/PCBA，通路级毒性监督选 ToxCast + Tox21，体内危害锚点选 ToxRefDB，临床表型对照选 ClinTox/SIDER——四层证据自下而上构成「结构 → 通路 → 个体 → 群体」的完整证据塔。ToxCast 在塔中承担「通路层」角色，这也是它区别于所有表型终点库的方法学定位。
§8.5 关键论文 Top 8
- Judson RS et al., 2010, Environmental Health Perspectives 118(4):485-492. DOI 10.1289/ehp.0901392 — ToxCast 立项论文：309 化学物 × 467 assays × 9 技术，确立体外谱与体内毒性的关联框架。
- Richard AM et al., 2016, Chemical Research in Toxicology 29(8):1225-1251. DOI 10.1021/acs.chemrestox.6b00135 — 化学库全景：Phase I-III 构成、结构覆盖度与监管清单映射（数据集标准引用）。
- Filer DL et al., 2017, Bioinformatics 33(4):618-620. DOI 10.1093/bioinformatics/btw680 — tcpl R 流水线：曲线拟合、hitcall 与 QC flag 的算法定义。
- Thomas RS et al., 2012, Environmental Health Perspectives（组合预测框架）— 论证单 assay 局限与组合 NAM 路线。
- Judson RS et al., 2015, Environmental Health Perspectives（ER 集成模型）— 16 个 ER assays 集成，EDSP 监管应用起点。
- Kleinstreuer NC et al., 2017, Chemical Research in Toxicology 30(4)（AR 模型）— 雄激素受体通路模型开发与验证。
- Wu Z et al., 2018, Chemical Science 9(2):513-530. DOI 10.1039/C7SC02664A — MoleculeNet：固化 ToxCast 8,575 × 617 基准与评测协议。
- Feshuk M et al., 2023 / EPA SOT 2024（invitrodb v4 数据说明，DOI 10.23645/epacomptox.25395664 等）— v4.1 规模、tcplFit2 变更与新数据字典。
§8.6 社区活跃度
- 官方：EPA 持续维护发布页、SOT 年会更新、CompTox Dashboard 在线服务与 CTX API（v4.3 于 2025-08 发布证明项目活跃）。
- 开源：tcpl 在 CRAN/GitHub 持续发版；tcplfit2、ctxR 为 EPA 官方卫星包；pytcpl 与 MLinvitroTox（KNIME/Python）为活跃学术工具链。
- 基准社区：MoleculeNet/DeepChem、TDC、paperswithcode 类榜单长期收录 ToxCast；GNN 论文默认将其纳入评测套件。
- 用户结构：监管科学家（EPA/OECD）、环境毒理学、分子 AI 三类社区共存，跨社区数据格式期望不同（Regulatory → MySQL/tcpl；ML → CSV/parquet）。
社区节奏参考：EPA 以 SOT（美国毒理学会）年会为年度发布窗口，数据库版本通常伴随会议或季度窗口更新；tcpl 的 CRAN 发版随 invitrodb 主版本联动；ML 侧则以 NeurIPS/ICLR/ICML 的分子 AI 论文周期为基准评测窗口（ToxCast 出现频率高但多为子集复验）。跟踪官方动态的最有效方式是订阅 EPA CompTox 工具页与 tcpl GitHub releases，而非依赖第三方转述。
§8.7 生态快照
| 资源 | 类型 | 链接 | Star（截至 2026-09） | 推荐理由 |
|---|---|---|---|---|
| tcpl | R 包（官方管线） | https://CRAN.R-project.org/package=tcpl | —（CRAN 指标） | hitcall/AC50 权威复算 |
| tcplFit2 | R 包（曲线拟合引擎） | https://github.com/USEPA/CompTox-ToxCast-tcplFit2 | 中 | 十模型拟合核心 |
| ctxR | R 包（API 客户端） | https://github.com/USEPA/ctxR | 中 | R 内直连 CTX API |
| CompTox Dashboard | Web 平台 | https://comptox.epa.gov/dashboard | — | 化学物级活性面板与 SMILES 导出 |
| DeepChem MolNet | ML 库 | https://github.com/deepchem/deepchem | 5,000+（GitHub，截至 2026-09） | 一行加载 ToxCast 基准 |
| TDC | ML 库 | https://tdcommons.ai | 1,000+（GitHub，截至 2026-09） | 单任务精细加载 |
| pytcpl / MLinvitroTox v2 | Python 工具链 | https://doi.org/10.1186/s13321-025-00950-4（论文内发布） | — | Python 生态复现 v4.1 处理 |
§9 相关资源与引用
§9.1 官方资源
| 资源 | 链接 | 说明 |
|---|---|---|
| Exploring ToxCast Data（数据总入口） | https://www.epa.gov/comptox-tools/exploring-toxcast-data | 数据库包、summary、注释、tcpl、API 全部入口 |
| CompTox Chemicals Dashboard | https://comptox.epa.gov/dashboard | 化学物级活性面板、结构/性质查询、SMILES 导出 |
| CTX APIs 文档 | https://www.epa.gov/comptox-tools/computational-toxicology-and-exposure-apis | Bioactivity 等 REST API 的注册与调用说明 |
| ToxCast Owner’s Manual | https://www.epa.gov/sites/default/files/2018-04/documents/toxcastownermanual4252018.pdf | 数据探索指南（Phase 构成、Dashboard 用法） |
| tcpl vignettes | CRAN 包页附 | 管线、数据库结构、assay 注释、处理与检索教程 |
| OECD MONO(2022)43 | https://one.oecd.org/document/ENV/CBC/MONO(2022)43/en/pdf | 用 ToxCast 派生毒性关注点的监管级完整案例 |
| ToxCast GD211 assay 描述文档 | 官方发布页内下载 | OECD GD211 格式的非指南性体外方法描述 |
§9.2 BibTeX 完整引用
@article{judson2010toxcast,
author = {Judson, Richard S. and Houck, Keith A. and Kavlock, Robert J. and
Knudsen, Thomas B. and Martin, Matthew T. and Mortensen, Holly M. and
Reif, David M. and Rotroff, Daniel M. and Shah, Imran and
Richard, Ann M. and Dix, David J.},
title = {In Vitro Screening of Environmental Chemicals for Targeted Testing
Prioritization: The ToxCast Project},
journal = {Environmental Health Perspectives},
volume = {118},
number = {4},
pages = {485-492},
year = {2010},
doi = {10.1289/ehp.0901392}
}
@article{richard2016toxcast,
author = {Richard, Ann M. and Judson, Richard S. and Houck, Keith A. and
Grulke, Christopher M. and Volarath, Patra and
Thillainadarajah, Inthirany and Yang, Chihae and Rathman, James and
Martin, Matthew T. and Wambaugh, John F. and Knudsen, Thomas B. and
Kancherla, Jayaram and Mansouri, Kamel and Patlewicz, Grace and
Williams, Antony J. and Little, Stephen B. and Crofton, Kevin M. and
Thomas, Russell S.},
title = {ToxCast Chemical Landscape: Paving the Road to 21st Century Toxicology},
journal = {Chemical Research in Toxicology},
volume = {29},
number = {8},
pages = {1225-1251},
year = {2016},
doi = {10.1021/acs.chemrestox.6b00135}
}
@article{filer2017tcpl,
author = {Filer, Day L. and Houck, Keith A. and Judson, Richard S. and
Martin, Matthew T. and Reif, David M. and
Paul Friedman, Katie P.},
title = {The ToxCast Pipeline for Predictive Toxicology},
journal = {Bioinformatics},
volume = {33},
number = {4},
pages = {618-620},
year = {2017},
doi = {10.1093/bioinformatics/btw680}
}
@article{wu2018moleculenet,
author = {Wu, Zhenqin and Ramsundar, Bharath and Feinberg, Evan N. and
Gomes, Joseph and Geniesse, Caleb and Pappu, Aneesh S. and
Leswing, Karl and Pande, Vijay},
title = {MoleculeNet: A Benchmark for Molecular Machine Learning},
journal = {Chemical Science},
volume = {9},
number = {2},
pages = {513-530},
year = {2018},
doi = {10.1039/C7SC02664A}
}
@techreport{epa2024invitrodb,
author = {{U.S. Environmental Protection Agency}},
title = {ToxCast and Tox21 High-Throughput Screening Data from invitrodb v4.x},
institution = {U.S. EPA, National Center for Computational Toxicology and Exposure},
type = {Data release},
year = {2025},
url = {https://www.epa.gov/comptox-tools/exploring-toxcast-data}
}
§9.3 引用指南
引用数据本体时遵循 EPA 官方格式：U.S. EPA. <年份>. <数据集名> from invitrodb v<版本>. Retrieved from https://www.epa.gov/chemical-research/toxicity-forecaster-toxcasttm-data on <检索日期>.；方法学引用 tcpl（Filer et al. 2017）；化学库引用 Richard et al. 2016；ML 基准引用 Wu et al. 2018。
两条引用纪律：数据论文与代码论文分开引用——活性数据引用 EPA 数据发布（§9.2 的 @techreport 条目），hitcall 算法引用 Filer et al. 2017，二者不可互相替代；二级基准（排行榜数字）引用原始模型论文而非聚合榜单页面，聚合榜单（SOTA2 等）可作为定位入口但不应出现在正式参考文献中。
§10 AI 使用声明卡
§10.1 AI 模型列表
| 模型 | 用途 |
|---|---|
| fast-model（CodeBuddy Code） | 本页面初稿生成：检索综合、结构化写作、代码示例生成 |
§10.2 AI 参与范围
AI 完成文献检索综合（4 轮 WebSearch，覆盖 EPA 官方文档、SOT 摘要、同行评审论文、社区榜单）、章节撰写、代码示例与表格生成；人工负责事实抽查、红线合规审查（数字溯源、URL 占位、许可表述）与最终编辑。所有规模数字、版本日期、基准分数均回溯至 §10.3 所列来源，未经来源支持的数值已删除。
具体到本页面的高价值判断点：MoleculeNet ToxCast 的规模（8,575 × 617）经 kMoL 与 NeurIPS 2024 两篇独立论文的表格交叉验证，而非沿用二手转述；invitrodb v4.1 的规模五元组（9,559/26/623/1,496/500+）直接取自 EPA SOT 2024 摘要原文；细胞毒性 burst 的 MAD 数值（0.289）与端点门槛（≥60 端点、5% 阳性率、88 assays）分别溯至 Judson et al. 2016（经 Nelms 2023 引述）与 EPA SOT 2021 摘要；排行榜数字逐行对照 SOTA2 榜单与 kMoL 论文表格，并显式标注了协议差异。
§10.3 输入来源列表
- U.S. EPA. Exploring ToxCast Data. https://www.epa.gov/comptox-tools/exploring-toxcast-data
- Thunes C, Brown J, Ko A, Rashid A, Sipes N, Friedman K, Feshuk M. Exploring ToxCast’s invitroDB. SOT 2024. DOI 10.23645/epacomptox.25395664. https://assessments.epa.gov/risk/document/&deid=360705
- Brown J, Feshuk M, Houck K, Judson R, Paul-Friedman K. Update on the ToxCast Pipeline and Invitrodb. SOT 2021. DOI 10.23645/epacomptox.14681241. https://assessments.epa.gov/risk/document/&deid=351774
- Judson RS et al. In Vitro Screening of Environmental Chemicals for Targeted Testing Prioritization: The ToxCast Project. Environ Health Perspect 118(4):485-492, 2010. DOI 10.1289/ehp.0901392
- Richard AM et al. ToxCast Chemical Landscape: Paving the Road to 21st Century Toxicology. Chem Res Toxicol 29(8):1225-1251, 2016. DOI 10.1021/acs.chemrestox.6b00135
- U.S. EPA. ToxCast Owner’s Manual — Guidance for Exploring Data. 2018. https://www.epa.gov/sites/default/files/2018-04/documents/toxcastownermanual4252018.pdf
- U.S. EPA. Toxicity ForeCaster (ToxCast) Data（2015-10 发布页快照，invitrodb_v2 规模与 open data 声明）. https://19january2017snapshot.epa.gov/chemical-research/toxicity-forecaster-toxcasttm-data_.html
- Filer DL et al. The ToxCast Pipeline for Predictive Toxicology. Bioinformatics 33(4):618-620, 2017. DOI 10.1093/bioinformatics/btw680（含 tcplFit2/cytotoxicity threshold 更新说明：https://pdfs.semanticscholar.org/f101/53e236445049dee2b27ca4bd87616b047e7a.pdf）
- Nelms MS et al. A Mechanistic Framework for Integrating Chemical Structure and High-Throughput Screening Results. 2023. https://pmc.ncbi.nlm.nih.gov/articles/pmid/36779220/
- MLinvitroTox reloaded for high-throughput hazard-based prioritization. J Cheminform, 2025. DOI 10.1186/s13321-025-00950-4
- Wu Z et al. MoleculeNet: A Benchmark for Molecular Machine Learning. Chemical Science 9(2):513-530, 2018. DOI 10.1039/C7SC02664A
- López et al. kMoL: an open-source machine and federated learning library for drug discovery. 2025. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11854109
- Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction. arXiv:2410.05278, 2024. https://arxiv.org/abs/2410.05278
- SOTA2 Research. Molecular Property Prediction on ToxCast MoleculeNet (scaffold) 榜单. https://www.sota2.com/research/sota/molecular-property-prediction-on-toxcast-moleculenet-scaffold
- OECD. ENV/CBC/MONO(2022)43（ToxCast 数据派生 POD 与 flag 过滤准则）. https://one.oecd.org/document/ENV/CBC/MONO(2022)43/en/pdf
- EPA. ToxCast, SeqAPASS, and EcoTox: A multi-tool case study. 2024. https://www.epa.gov/system/files/documents/2024-06/toxcast-seqapass-ecotox-case-study_508.pdf
- Therapeutics Data Commons. Toxicity Prediction Task Overview（TDC ToxCast 收录说明）. https://tdcommons.ai/single_pred_tasks/tox
§10.4 人工校验记录
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| 规模数字（9,559 化学物 / 1,496 终点 / 623 平台 / 26 来源） | 千方病案医学编辑部 | 对照 EPA SOT 2024 摘要逐项核对 | ✅ 已通过 |
| 版本时间轴与 v4 变更 | 千方病案医学编辑部 | 对照 EPA 发布页与 SOT 2021/2024 摘要 | ✅ 已通过 |
| License 与获取方式 | 千方病案医学编辑部 | 对照 EPA open data 声明与发布页下载入口 | ✅ 已通过 |
| 坑点 1-8 技术准确性 | 千方病案医学编辑部 | 对照 tcpl 文档、Nelms 2023、Judson 2016 方法原文 | ✅ 已通过 |
| MoleculeNet 基准数字与排行榜 | 千方病案医学编辑部 | 对照 kMoL/NeurIPS 2024 论文表格与 SOTA2 榜单 | ✅ 已通过 |
| 代码示例可运行性 | 千方病案医学编辑部 | DeepChem/RDKit API 语法核对 + 逻辑走查 | ✅ 已通过 |
| ICD-11/SNOMED 映射边界 | 千方病案医学编辑部 | 块级编码核对 + 映射边界声明复核 | ✅ 已通过 |
| 排行榜数值不可比性声明 | 千方病案医学编辑部 | 核对 §8.1 表注（random/scaffold 协议差异） | ✅ 已通过 |
§10.5 AI 生成章节标注
本页面全部章节由 AI 生成初稿，经人工校验表所列流程审核后发布；未标注单独作者的章节默认适用本声明卡。
§10.6 最后人工审核日期
2026-09-05（与 §0 审核日期一致）
页面状态：published（全部内容已完成审核并发布）
