全氟烷基物质和多氟烷基物质(PFAS)作为防水剂和防污涂料广泛应用于各种产品中。PFAS因其卓越的热稳定性和化学稳定性而被称为“永远的化学品”，并且已在全球环境、人类和野生动物中发现。

长链全氟烷基酸，包括全氟辛酸(PFOA)和全氟辛烷磺酸(PFOS)，具有持久性、生物累积性和毒性。在全球范围内，PFOA和PFOS相关物质均受《关于持久性有机污染物(POP)的斯德哥尔摩公约》的监管。

PFAS(尤其是PFOA和PFOS)的一个关键毒理学方面是它们通过与PPARα相互作用而破坏脂质代谢，而PPARα对脂质代谢至关重要、能量平衡和细胞分化至关重要。PFAS与PPARα结合会破坏信号通路，从而引起各种生物效应。然而，数千种PFAS类型(包括下一代替代PFAS)的潜在危害(例如生物活性、生物蓄积性和毒性)是有限的。

发表在《环境科学与技术》上的一项研究中，研究人员开发了一种可解释的机器学习方法来预测PFAS-PPARα的结合亲和力。

他们从美国EPA数据库中获取了6,798种PFAS的SMILES数据，并使用分子操作环境(MOE)计算了每种PFAS的206个分子描述符和与PPARα的结合亲和力(即S分数)。结果显示，4,089种PFAS的S分数低于PFOA(S分数=-5.03kcal/mol)和PFOS(S分数=-5.09kcal/mol)。

通过系统、客观地选择重要的分子描述符，团队仅使用三个描述符就开发出了具有良好预测性能的机器学习模型(R2=0.72)。分子大小(b_single)和静电特性(BCUT_PEOE_3和PEOE_VSA_PPOS)对于PPARα-PFAS结合很重要。替代PFAS被认为比其传统前辈更安全。

然而，研究人员发现，与传统的PFOA和PFOS相比，具有许多碳原子和醚基团的替代PFAS对PPARα表现出更高的结合亲和力。该新方法在可解释性方面优于传统的QSAR和机器学习方法，从而可以更深入地了解PFAS毒性的分子机制。

在本研究中，机器学习模型成功预测了PFAS与人PPARα的结合亲和力，并预测了结合中的关键分子特征。尽管这项研究重点关注PFAS-PPARα结合并仅限于配体-受体结合，但该团队的方法也与其他配体-受体结合和其他结构-性质关系研究相关。

未来的研究可以通过结合更多特征来提高毒性预测的准确性。此类研究不仅涉及PFAS的结构细节，还涉及下游信号转导途径的信息，从而有可能实现更精确的毒性预测。然而，也存在局限性。

研究人员重点关注与PPARα的相互作用，而PFAS可以通过其他受体诱导毒性。值得注意的是，高结合分数并不总是反映毒性。因此，实际的毒性必须通过实验来验证。尽管存在这些限制，他们的方法仍然可以进行快速、经济高效的PFAS筛查，提供初步了解其潜在毒性并指导进一步深入的实验研究。