基于机器学习的骨毒性预测研究
药物诱导骨毒性是临床前评估中的重大难题，针对当前缺乏高效预测工具的问题，吉林大学韩葳葳教授团队于《Journal of Hazardous Materials》发表研究成果（J. Hazard. Mater. 2025, 492: 138044），提出BoneToxPD在线预测平台，实现药物骨毒性的高准确度预测。
本研究通过整合FDA、DrugBank、SIDER及CTD数据库，构建了首个骨毒性药物数据集，并提取多类分子指纹和分子图特征，结合Transformer编码器及深度神经网络模型，构建多模型组合体系。在多模型对比中，描述符-Transformer模型与预训练KPGT模型表现优异，预测准确率达86%，AUC高达89%。此外，团队利用GO与KEGG通路分析揭示IL6、TNF等关键靶点与骨毒性机制的关联，提升了模型可解释性。
研究成果最终集成为BoneToxPD平台，实现实时预测与结构解释功能，极大地促进了药物安全性评估工作的智能化发展。
基于深度学习的药物心毒性预测研究
药物心毒性尤其是hERG通道阻断相关的QT延长是药物开发中的关键安全风险。韩葳葳教授团队近日在《Journal of Pharmaceutical Analysis》发表最新研究（J. Pharm. Anal. 2025, 15: 101263），构建了以Transformer深度学习为核心的预测模型，显著提高了hERG毒性预测的准确性和效率。
研究整合了PubChem、ChEMBL等数据库的22000余种小分子数据，采用四类分子指纹及208种RDKit分子描述符，结合包括SVM、XGBoost、Transformer等在内的机器学习与深度学习模型，最终Transformer_Morgan模型在外部测试集上表现最佳，AUC高达0.93，准确率0.85，全面超越CardioDPI、Cardpred与ADMETlab3.0等主流平台。
团队进一步引入SHAP可解释性分析，识别出苯环、氟基、NH基团及醚氧为决定hERG毒性的关键结构，结合分子对接模拟验证其与靶标的结合能变化，强化了模型的结构指导意义。
该研究为药物筛选中的心脏安全评估提供了更精准高效的计算策略，推动绿色智能药物设计的发展。
