在化妝品安全評估領域，2013年歐盟全面禁止動物實驗的指令如同一記驚雷，迫使科學家們必須尋找新的技術路徑。皮膚致敏作為化妝品最常見的不良反應之一，其評估曾長期依賴豚鼠最大化試驗和局部淋巴結試驗(LLNA)等動物模型。特別是LLNA提供的EC₃值（引起刺激指數為3時的測試物質濃度），一直是國際香料協會(IFRA)進行定量風險評估(QRA)的重要依據。然而禁令實施后，如何在不使用動物的前提下準確預測物質的致敏潛力，成為橫亙在行業面前的技術鴻溝。

面對這一挑戰，科學家們提出了基于不良結局路徑(AOP)的替代策略。AOP將皮膚致敏過程分解為四個關鍵事件(KE)：半抗原與皮膚蛋白結合(KE1)、角質形成細胞活化(KE2)、樹突狀細胞活化(KE3)和抗原特異性T細胞增殖(KE4)。圍繞這些KE，研究者開發了DPRA、KeratinoSens^TM、h-CLAT等一系列體外測試方法。但單一方法往往難以全面反映復雜的致敏過程，因此需要整合多種測試數據的綜合評估策略(IATA)。

在此背景下，研究人員此前已利用商業軟件QwikNet構建了人工神經網絡(ANN)預測模型。但商業軟件的獲取和使用限制可能阻礙模型的廣泛應用。為此，本研究轉向開源平臺R語言，旨在開發一個具有同等預測性能但更易獲取的新模型。研究團隊從文獻中精選了134種化合物的高質量數據集，這些化合物的LLNA EC₃值均通過OECD 429標準獲得，并配套有DPRA、KeratinoSens^TM和h-CLAT的測試數據。

關鍵技術方法包括：1) 使用R語言的neuralnet包構建三層ANN模型；2) 輸入參數為DPRA半胱氨酸肽結合率、KeratinoSens^TM的IC₅₀值和h-CLAT的CD86/CD54表達水平；3) 通過留一法交叉驗證評估模型性能；4) 對預測不佳的化合物輔以計算機模擬(in silico)和交叉參照(read-across)分析。

比較QwikNet和R模型的準確性
在相同訓練集(134種化合物)上，R模型展現出與QwikNet模型相當的預測性能。兩者的預測值與實測EC₃值相關系數(r)分別為0.943和0.926，決定系數(r²)分別為0.889和0.857。更重要的是，R模型的準確率(81.3%)略高于QwikNet模型(79.9%)，且過預測率(10.4%)和欠預測率(8.2%)也更為均衡。這表明開源工具完全能夠實現商業軟件的預測精度。

案例研究驗證
對28種未參與訓練的化合物進行盲測時，R模型成功預測了香蘭素等弱致敏劑(實測EC₃>20%)和2-巰基苯并噻唑等強致敏劑(EC₃<0.1%)。對于少數預測偏差較大的化合物如丁香酚，通過Derek Nexus軟件識別出其醌式結構可能增強致敏性，再結合類似結構的交叉參照分析，顯著改善了預測準確性。

討論與結論
這項研究首次證明ANN模型可以從商業軟件成功遷移到開源平臺。R模型不僅保持了預測LLNA EC₃值這一關鍵毒性終點的能力，其開源特性更有利于全球范圍內的推廣應用。研究還創新性地提出"三明治式"評估策略：以ANN預測為核心，對不確定化合物輔以計算機模擬結構警示分析和交叉參照驗證，形成證據權重(WoE)評估體系。

從應用角度看，該模型可直接支持化妝品成分的定量風險評估(QRA)，幫助確定無預期致敏效應水平(NESIL)。特別是對香精香料等復雜混合物，模型提供的EC₃預測值可作為確定安全邊際的起點。隨著新方法評估(NAM)框架的發展，這種整合體外、計算機和交叉數據的策略，很可能成為下一代風險評估(NGRA)的標準范式。

值得注意的是，模型的成功離不開高質量的訓練數據。本研究精選的LLNA數據均來自標準化實驗，且配套的體外測試均符合OECD測試指南。這種對數據質量的嚴格把控，為模型的可靠性提供了根本保障。未來隨著更多高質量數據的積累，模型的預測范圍和準確性有望進一步提升。

這項發表在《Computational Toxicology》的研究，不僅為化妝品安全評估提供了實用工具，更展示了開源工具在毒理學建模中的巨大潛力。在動物實驗日益受限的背景下，此類研究將加速風險評估向新范式轉型，最終實現保護消費者與替代動物的雙贏。