藉由整合不同機轉的電腦預測模型提升化合物毒性預測能力
實驗方法為化合物毒性評估的標準方法，然而在藥物開發與化合物管理上，當大量的化合物需要評估時，執行毒性評估就須花費大量的時間、經費與人力。近來有許多研究紛紛以統計學習或人工智慧（AI）方法分析過去實驗產生的化合物與毒性反應資料，找出蘊藏在資料中的樣式並建立電腦預測模型協助毒性預測。預先將化合物進行毒性排序再以實驗驗證，能加速篩選低毒性化合物進行後續藥物開發或是協助毒性化合物管理。然而，由於化合物毒性資料不如目前人工智慧領域中最普遍應用的影像與文字資料來的充沛，因此在僅有少量化合物毒性資料之下建立的電腦模型多半僅能預測部分機轉或僅適用於少數化合物。
