32、环境中药物的命运、影响及智能监管展望

环境中药物的命运、影响及智能监管展望

1. 利用机器学习预测药物摄取

在环境毒理学领域，人工神经网络（ANNs）或许是推动该领域迈向新范式的最简单途径。不过，生态毒理学家通常缺乏从头开展这项工作的技能，因此合作与培训至关重要，相关群体需尽快提升这些能力。

ANN本质上是一种通过具有隐藏层（神经元）的网络，将观测数据映射到实验结果的模型。虽然这些隐藏层的路径十分复杂，但机器学习能让每条路径的权重在每次迭代中发生变化，从而更好地描述通向观测数据的路径。简单来说，就是让机器在我们认为可能影响结果的信息（如描述分子的数学特征）与观测到的结果（如测量的内部浓度）之间寻找最佳解释和相关性，直至找到最佳拟合。

但要注意避免算法过度训练。数据集是关键，我们需要足够的数据来划分训练集、验证集和测试子集。过度训练或过拟合的模型虽然能很好地描述训练数据，但无法拟合测试集。为解决这一问题，最好使用尽可能大的数据集，并在ANN架构中使用最少的隐藏层（神经元）。此外，还可以通过最小化添加到神经元的权重及其数学衰减函数来进行正则化，以限制过拟合。正则化模型不太容易从数据噪声中学习，因为模型会在迭代过程中逐渐将验证数据预测的误差降至最低，过度训练时误差才会增加，机器在误差最小时停止学习，然后再尝试拟合测试数据。

借助ANNs，通过隐藏层将输入数据映射到输出数据，我们可以探究药物的哪些理化因素对解释体内观测数据最为重要。然而，该领域数据匮乏，且数据质量未经整理，可重复性存疑。为了让更广泛的非专业受众信服，我们可以采用迁移学习，即使用数千个数据点训练模型，对较小的数据集进行预测，并将其组合成多模态模型。尽管大量数据会让人觉得这种方法具有说服力，但环境毒理学领域可能永远无法获得足够合适的数据量。像TOXC