陈教授团队将人工智能（AI）技术引入环境计算毒理学，提出“筛-评-控”的系统策略，通过大数据和多模态模型实现化学品风险的精准预测与控制。团队开发了基于量子化学和机器学习的模型，成功预测化学品的环境持久性、降解行为及生物累积性。例如，团队通过反应性机器学习和从头算分子动力学方法，揭示了PFAS在大气水滴微界面上的快速降解机制，为环境暴露评估提供了可靠依据。他们还提出了加权分子结构相似性和聚集性参数，用于验证模型的应用域，确保预测结果的可靠性。这些方法已成功应用于百万种化学品的危害性筛查，为国家和企业提供了科学决策支持。

为从源头治理新污染物，陈教授团队利用生成式AI算法，设计低毒性、低危害性的绿色替代化学品。他们与美国陶氏化学合作，针对PFAS设计出上万种兼具工业功能和低环境危害的替代物结构。此外，团队通过多模态模型预测化学品在全生命周期中的环境影响，为实现“无毒社会”提供了技术支持。陈教授强调，大数据是环境计算毒理学的核心驱动力。团队通过大语言模型和深度学习技术，从数十万篇文献中自动汇集结构化和非结构化数据，构建多模态预测模型。

未来，他们计划开发AI智能体，结合数字孪生技术，模拟化学品在环境和生物体内的行为，为新污染物治理提供更高效的解决方案。陈教授的报告系统阐述了AI赋能的计算毒理学在化学品风险控制和新污染物源头治理中的重要作用。其团队的研究成果不仅推动了环境科学的学科发展，也为我国化工产业的绿色转型提供了强有力的技术支撑。