5.7 预测毒理学
预测毒理学（Predictive Toxicology），是通过采集化学物的化学信息和生物学信息，运用预测程序来预测化学物毒性作用的一门新的毒理学分支学科。
由于化学物的化学信息包括化学物的结构、物理化学特性、代谢和生物转运性质及其生物学性质，化学物的生物学信息包括化学物作用的种属、性别、临床标志、基因和蛋白质表达情况，医学与毒理学信息包括化学物的分类、作用机制、量化的毒性参数等，因此，预测毒理学是化学、生物学、医学、毒理学与统计及计算机之间的一门交叉学科。
较早的预测毒理学体系是由化学物的化学、生物学和毒理学数据资料、预测模型及其应用组成，其目的是揭示化合物结构与生物活性之间的关系以及相应的生物和毒理过程或机制，预测未检测化学物的毒性，为化学物和药物研制机构评价候选化学物的潜在毒作用，为管理机构对无完整毒性资料的化学物做出预测评估。
后来预测毒理学使用不同类型的信息来描述化学物和生物学系统，确定与特定毒作用相关的参数。当化学物的潜在生化机制基本明确时，就容易确定其相关的参数。但在有些化学物的生物化学机制不清楚或过于复杂的情况下，确定合适的参数就会遇到困难。因此，如何选择参数的方法就成为预测毒理学需要研究的重要课题。
目前，科学家利用计算机模型或专家系统预测新化学物的潜在毒性，多采用硅上毒理学（In Silico Toxicology）的技术手段和毒性的定量结构活性模型分析化合物的毒性。在致癌性、致突变性的计算机定量构效关系研究方面已取得较大的进展。硅上毒理学技术可以粗略地分为模拟与毒性相关的生化反应，即制作分子模型（Мolecular Мodelling）方法，模拟人推断毒理学现象的技术，即专家系统（Expert Systems）和从一套试验已经确定数据进行毒性预测的方法，即数据推导系统（Data Driven Systems）三个方面。
此外，人工智能研究技术也开始运用于预测毒理学，这种以计算机学为基础发展的预测方法主要是：
第一，发现剂量结构-毒性关系的人工智能方法；
第二，预测化学物生物效应谱方法；
第三，用于预测毒性结构活性关系。以上这些方法的共同点都是确定化合物结构与性质之间的关系，化合物具有相同或相近的作用与毒性性质的相关性。
2005年，克里斯托夫·赫尔玛（Christoph Helma）主编《预测毒理学》（CRC 出版社）。
图172 《预测毒理学》（封面）