要确保化学品的安全性，就必须具备准确评估急性口服毒性的能力。加强急性口服毒性计算预测的最有效方法之一是利用大型实验数据数据库的力量。这种方法可以提高硅学模型的准确性，减少对额外动物试验的需求。在此，我们将探讨数据的丰富性和对机理的理解如何相互作用，以advance 急性口服毒性预测，并介绍旨在predict GHS 和 CLP 类别的新模型和更新模型。
数据丰度对硅学 模型的性能起着举足轻重的作用。如果有大量高质量的数据，即使对潜在的机理还不完全了解，统计模型也能找出规律并做出准确的预测。这一点在急性大鼠口服毒性方面尤为明显，虽然对导致毒性的机理的理解可能有限，但来自各种研究和标准化测试方法的大量数据集提供了丰富的信息。该数据库拥有包括致死剂量（LD50）在内的 20,000 个条目，大大提高了预测模型的稳健性。
对机理的理解是另一个关键因素。一般来说，当数据丰富度和对机理的理解都很高时，模型就会发挥这两方面的优势，表现异常出色。急性口服毒性可由多种机理引起，但人们对这些机理的全部范围以及支配这些机理的结构-活性关系并不完全了解。这种复杂性需要一个广泛的训练数据库。
通过利用大型数据库，我们可以开发出更准确、更可靠的硅学模型。随着我们不断完善这些模型并探索新的终点，图 1 中总结的数据与机制之间的相互作用对我们的工作至关重要。我们开发的急性毒性模型可以predict GHS 和 CLP 类别，这标志着我们在不断努力的过程中向前迈出了重要一步。
新的急性毒性数据库和模型将于2025 年发布。新的急性毒性套件将重点突出以下内容
- 新增数千条急性毒性数据记录。
- 现在，实验数据根据两种分类方案进行分类：一种是预测中氯磷（CLP）类别，另一种是预测全球统一制度（GHS）类别。
- 预测模型支持推导出急性大鼠口服 GHS 类别和 CLP 类别。
- 预测急性大鼠口服毒性、急性小鼠口服毒性、急性大鼠皮肤毒性和急性兔皮肤毒性的 CLP 类别的新警报和统计模型。
图 1：数据与机理之间的相互作用。请注意，对机理的理解是一个连续的尺度，不同化学类别的化合物对机理的认识深度也不同。
