Safety concerns of engineered nanoparticles (ENPs) hamper their applications and commercialization in many potential fields. Machine learning has been proved as a great tool to understand the complex ENP-organism-environment relationship. However, good-performance machine learning models usually exist as black boxes, which may be difficult to build trust and whose ways of expressing knowledge rarely directly map to forms familiar to scientists. Here, we present an approach for uncovering causal structure in nanotoxicity datasets by mutual-validated and model-agnostic interpretation methods. Model predictions can be explained from feature importance, feature effects, and feature interactions. The utility of this approach is demonstrated through two case studies, the cytotoxicity of cadmium-containing quantum dots and metal oxide nanoparticles. Further, these case studies indicate the efficacy and impacts at two scales: (i) model interpretation, where the most relevant features for correlating cytotoxicity are identified and their influence on model predictions and interactions with other features are then explained, and (ii) model validation, where the difference among interpretation results of different methods (or the difference between interpretation results and well-known toxicity mechanisms) may reflect some inherent problems in the used dataset (or the developed models). Our approach of integrating machine learning models and interpretation methods provides a roadmap for predicting the toxicity of ENPs in a translucent way.

工程纳米颗粒（ENP）的安全性问题妨碍了它们在许多潜在领域中的应用和商业化。机器学习已被证明是了解复杂的ENP-有机体-环境关系的好工具。但是，性能良好的机器学习模型通常以黑匣子的形式存在，这可能很难建立信任，并且其表达知识的方式很少直接映射到科学家熟悉的形式。在这里，我们提出了一种通过相互验证和模型不可知的解释方法揭示纳米毒性数据集中因果结构的方法。可以通过特征重要性，特征效果和特征交互来解释模型预测。通过两个案例研究证明了该方法的实用性，即含镉量子点和金属氧化物纳米粒子的细胞毒性。此外，这些案例研究从两个方面表明了疗效和影响：（i）模型解释，其中识别了与细胞毒性相关的最相关特征，然后解释了它们对模型预测以及与其他特征相互作用的影响，以及（ii）模型验证，其中不同方法的解释结果之间的差异（或解释结果与众所周知的毒性机制之间的差异）可能反映了所用数据集（或开发的模型）中的某些固有问题。我们整合机器学习模型和解释方法的方法提供了以半透明的方式预测ENP毒性的路线图。识别与细胞毒性相关的最相关特征，然后解释其对模型预测和与其他特征相互作用的影响；（ii）模型验证，其中不同方法的解释结果之间的差异（或解释结果与孔之间的差异） -已知的毒性机制）可能反映了所用数据集（或开发的模型）中的某些固有问题。我们整合机器学习模型和解释方法的方法提供了以半透明的方式预测ENP毒性的路线图。识别与细胞毒性相关的最相关特征，然后解释其对模型预测和与其他特征相互作用的影响；（ii）模型验证，其中不同方法的解释结果之间的差异（或解释结果与孔之间的差异） -已知的毒性机制）可能反映了所用数据集（或开发的模型）中的某些固有问题。我们整合机器学习模型和解释方法的方法提供了以半透明的方式预测ENP毒性的路线图。其中不同方法的解释结果之间的差异（或解释结果与众所周知的毒性机制之间的差异）可能反映了所使用的数据集（或开发的模型）中的某些固有问题。我们整合机器学习模型和解释方法的方法提供了以半透明的方式预测ENP毒性的路线图。其中不同方法的解释结果之间的差异（或解释结果与众所周知的毒性机制之间的差异）可能反映了所使用的数据集（或开发的模型）中的某些固有问题。我们整合机器学习模型和解释方法的方法提供了以半透明的方式预测ENP毒性的路线图。