AOP-Wiki EMOD 3.0：使用代理 AI 改进 AOP 和新方法方法 (NAM) 之间集成的数据模型扩展和内容评估框架

arXiv:2605.21645v1 公告类型：新 摘要：不良结果途径 (AOP) 是将实验室可测量的生物机制与不良结果因果联系起来的逻辑模型，与化学监管终点相关。 AOP 将新方法论 (NAM)、体外和计算机方法作为动物测试的替代方法，AOP 中的连续事件作为跨越生物尺度的多尺度模型。 AOP-Wiki 充当 AOP 的全局存储库。虽然 AOP-Wiki 在过去十年中在 AOP 扩展中发挥了核心作用，但当前数据模型和应用程序基础设施内的限制限制了 AOP-Wiki 支持 AOP 的持续增长和发展。然而，当可以利用核心 AOP 原则来指导使用 AI 来聚合和构建 AOP 相关信息时，代理 AI 的变革力量重新激发了 AOP-Wiki 数据现代化工作。抓住这一势头，我们推出了 AOP-Wiki EMOD 3.0，这是一系列证据模型原型中的第三个，它具体展示了数据模型扩展以及我们对如何转变 AOP-Wiki 以更好地服务于监管科学以及 AOP 在生物医学和 One Health 环境中的紧急使用的愿景。我们的目标是通过专注于 AOP-Wiki 内部质量改进的解决方案、增强 AOP 公平性和人工智能就绪性的证据结构以及改进 AOP 框架和 NAM 之间的集成以更好地服务于下一代风险评估，为支持计算生成的 AOP 和定量 AOP (qAOP) 奠定基础。