现代机器学习（ML）是人工智能（AI）的基础，已经严重影响了包括化学在内的所有科学领域。与传统的计算方法相比，基于深度神经网络和表征学习的新ML方法往往能提供更高的预测质量。使用可解释的人工智能方法对这种模型进行解释，使研究人员能够识别分子活性的原子和片段贡献，这种方法现在正在积极发展。基于图像和文本处理的信息提取的新方法正在兴起，未来将允许从文献中产生大量更准确的提取和全面注释的数据集。
现代ML和AI方法在计算毒理学中越来越受欢迎，并被视为满足3R概念原则的一个有希望的解决方案，该概念要求取代、减少和完善动物试验。尽管经过几十年的研究，基于传统ML方法的基于描述符的定量构效关系（QSAR）方法仍然在这个领域被广泛使用。然而，在专门的深度学习会议或专门的ML期刊上介绍的前沿理论发展与可以实际使用它们的终端用户之间存在着差距。此外，新方法对数据要求很高，需要很多例子来开发高质量的模型。新兴的解决方案，包括使用元学习和迁移学习方法，允许在不同模式的化学数据的大型语料库中预训练模型，然后将这些模型有效地应用于小型数据集，在计算毒理学中还没有被充分了解和使用。
Chemical Research in Toxicology正在策划一期专注于 AI 和毒理学的特刊。本期特刊的主要目标是将两个社区聚集在一起（图 1）。对涉及 QSAR 以及现代 ML 方法的贡献感兴趣，特别是使用不同的化学结构和大规模生物活性数据集来预测毒性。这将使社区不仅可以了解传统计算毒理学家新方法的力量，还可以了解 ML 专家在计算毒理学领域的需求和问题。使用 AI 方法进行毒性评估，从 ADMEtox 特性预测到人类健康和生态毒理学的全面风险评估，对于证明这些方法的功效和实用价值非常重要。处理对 AI/ML 方法至关重要的大数据的贡献，以及用于分析纳米材料和全氟和多氟烷基物质的新方法也将成为该问题的目标。
邀请投稿至AI遇见毒理学特刊，但不限于将化学和纳米材料的分子结构或特性与其生物效应联系起来的计算方法的最新进展。特别欢迎基于新型神经网络架构、表示和迁移学习、使用图神经网络和图像处理的新方法，以根据分子的结构或分析反应预测和解释分子的毒性。基于自然语言处理 (NLP) 的文本挖掘方法、化学结构与组学数据集的集成、使用系统生物学和药理学方法预测药物不良反应也非常受欢迎。毒理学中的所有化学研究手稿类型被考虑用于特刊。欢迎作者通过期刊办公室eic@crt.acs.org与编辑联系，提出任何投稿前查询或评论。提交截止日期为 2022 年 11 月 30 日。
参考资料
Tetko, I.V., Klambauer, G., Clevert, D.A., Shah, I. and Benfenati, E., 2022. Artificial Intelligence Meets Toxicology. Chemical Research in Toxicology, 35(8), pp.1289-1290.
