化学品监管评估亟需能够在大规模应用场景下兼具高准确性与可审计性的毒性预测方法。为此，提出了一种由Transformer驱动的结构–活性景观框架，并构建了与嵌入表征相兼容的适用域方法（SAL-AD），以将模型置信度与表征空间中的几何结构相联系。对于每个分子，SAL-AD基于余弦相似度构建top-k邻域，并由此得到两个具有可解释性的指标—相似性密度（ρ）和活性不一致性（Iₐ），用于划定可靠的“域内”预测区域。
从EPA ECOTOX数据库整理得到的11个毒性终点数据集，涵盖藻类、鱼类和水生无脊椎动物。结果表明，768维Transformer分子嵌入与梯度提升学习器相结合，在各终点上均优于基于传统分子描述符的基线模型。此外，合并终点训练可增强化合物层面的泛化能力和跨终点插值能力，进一步提升模型预测性能。SAL-AD提高了域内样本的预测准确性，还揭示了一个具有实际应用价值的操作窗口（Top-k ≈ 0.05–0.2），从而将适用域由经验性启发式概念转化为可度量的可靠性边界。
进一步分析显示，模型微调增强了毒性聚类结构，表现为Davies–Bouldin指数降低，说明表征空间几何结构与结构–活性组织规律之间具有更好的一致性。随后，该框架被应用于《中国危险化学品目录》中的1,499种危险化学品，并在统一的急性毒性（EC₅₀/LC₅₀）和慢性毒性（EC₁₀）设定下开展预测，实现了具有透明不确定性控制的高通量毒性筛查。
该工作成果以“Reliable Aquatic Toxicity Prediction via Embedding-Aware Applicability Domains 为题发表环境领域顶刊《Environmental Science & Technology》，该论文第一单位为福建师范大学，第一作者和通讯作者为林坤森副教授、同济大学周雪飞教授和福州大学张亚雷教授为本研究工作的主要参与者。
该研究工作得到国家重点研发计划项目和国家自然科学青年基金项目的资助。
(环境与资源学院、碳中和现代产业学院)