CaPFAS：基于可解释多模态神经网络的全氟化合物综合分析框架

CaPFAS是由河南科学院环境化学与生态毒理学国家重点实验室付课题组（HIAS-RCEES-FuLab）开发的开源框架，专为PFAS（全氟和多氟烷基物质）分析设计。该框架集成数据清洗、预处理和模型训练功能，采用可解释的多模态神经网络架构，提供端到端机器学习解决方案，助力环境科学和毒理学研究。项目开源地址：GitHub，发布时间为2026年6月16日。

PFAS被称为"永久化学品"，具有环境持久性、生物累积性和潜在毒性，全球已检测到数千种变体，给环境监测和风险评估带来巨大挑战。传统分析方法存在三大难题：1. 多源数据格式和质量差异大；2. 毒性机制涉及多靶点多通路，复杂度高；3. 现有机器学习模型缺乏可解释性，难以满足科研和监管透明度要求。领域迫切需要整合多源数据、提供可解释预测的综合框架。

CaPFAS的核心目标是提供端到端的PFAS数据分析预测解决方案，其设计强调三大特性：1. 多模态数据融合：统一处理结构化数据（理化性质、浓度值）和非结构化数据（分子结构、质谱图谱）；2. 可解释性优先：通过可解释架构揭示预测关键特征和机制；3. 端到端自动化：覆盖数据清洗、预处理到模型训练的完整工作流，降低使用门槛。

数据清洗与预处理模块

内置专用管道处理缺失值、异常值、单位不统一等问题，支持分子描述符计算、理化性质标准化等特征工程。

多模态神经网络

• 分子结构模态：用图神经网络（GNN）或分子指纹编码拓扑结构；
• 理化性质模态：处理分子量、LogP等数值特征；
• 文本描述模态：用NLP分析文献信息；
• 融合层采用注意力机制权衡各模态贡献并提供解释。

可解释性机制

包含特征重要性分析、注意力可视化、反事实解释，且兼容SHAP框架提供博弈论层面特征归因。

1. 毒性预测与风险评估：构建模型预测PFAS急性/慢性毒性，可解释输出识别毒性关键结构，指导safer-by-design替代品开发；
2. 环境归趋模拟：预测生物富集因子、土壤吸附系数等参数，补充实验数据支持暴露评估；
3. 高通量筛选与优先级排序：快速识别高风险化合物，为监管优先级和资源分配提供支持。

CaPFAS基于Python实现，依赖PyTorch深度学习框架和RDKit化学工具包。用户可通过配置文件定义任务（数据路径、超参数等），支持命令行接口和Python API两种使用模式。框架模块化设计便于扩展：可插入自定义预处理步骤、替换网络架构或集成新解释方法。

CaPFAS填补了PFAS领域专用机器学习工具的空白，相比通用工具针对PFAS数据优化，开源特性保证透明度和可审计性（对监管科学至关重要）。随着全球PFAS监管加强，工具需求将持续增长，它不仅为当前研究提供实用工具，也为未来PFAS知识图谱构建和AI辅助毒理学发展奠定基础，适合环境化学、毒理学等领域专业人士使用。