摘要
毒理学研究通过构建不良结局路径（AOPs）来理解化合物诱导不良反应的机制。传统AOP构建依赖人工文献检索，效率低下。本研究提出使用自然语言处理（NLP）技术自动提取科学文献中的机制信息，重点关注肝脏毒性案例（胆汁淤积和脂肪变性）。通过结合命名实体识别和基于规则的因果关系提取模型，成功从PubMed摘要中识别化合物与表型实体，并建立其因果关系网络。
方法
文献检索
从ASPIS联盟提供的813种化合物列表出发，通过程序化检索PubMed摘要（每化合物最多100篇），查询条件为"化合物名称 AND toxic* AND (human OR Animals, Laboratory OR Disease Models, Animal)"。使用Python的metapub和biopython包进行检索，去除重复摘要。
文本预处理
使用spaCy v3.0.8进行句子分割、分词和语义解析，为后续实体识别和关系提取提供基础。
命名实体识别
采用基于scispaCy en-core-sci-lg的机器学习模型，重新训练以识别毒理学概念（化合物和表型）。模型在训练语料上达到化合物识别F1分数88%，表型识别56%。
关系提取
基于语法规则的因果关系提取模型，通过spaCy的依赖匹配器识别具有共同因果动词祖先的实体对。因果动词列表包含"increase"、“cause”、“induce"等23个核心动词。
网络构建
将提取的实体和关系导入Neo4j图数据库，节点表示实体（化合物/表型），边表示因果关系并保留文献来源信息。
结果
文献检索效果
34%的化合物未检索到相关摘要，35%达到100篇上限。针对肝脏毒性化合物，约20%未检索到摘要，50%达到检索上限。
化合物关联分析
- 胆汁淤积：查询发现10个化合物节点，除"oxygen”（活性氧物种相关）外均为已知阳性对照
- 脂肪变性：发现11个化合物节点，其中2个为预期化合物，5个经手动验证确与脂肪变性相关，1个为保护性化合物（柚皮苷）
机制信息提取
从AOPWiki提取的肝脏毒性相关AOP中，NLP管道能识别40-80%的关键事件。分子水平事件（如PPAR受体激活）识别率较低，较高生物学层级事件识别效果更好。
讨论
NLP技术能有效支持毒理学机制信息提取和化合物筛选，但仍需改进：
- 实体消歧和标准化需加强，建议链接现有本体标识符
- 关系提取模型需优化分子水平信息的识别
- 大语言模型可能提升性能但需警惕幻觉问题
未来可扩展至全文分析，但需考虑计算成本和开放获取限制。建议保持人工验证环节，将NLP作为AOP构建的辅助工具。
数据可用性
所有数据和代码可通过GitHub获取：https://github.com/ontox-project/en-tox