美國斯坦福大學（Stanford University）的計算機科學家設計出一種卷積神經(jīng)網(wǎng)絡，能夠預測混合用藥可能產(chǎn)生的副作用。

這項研究工作對患者具有重大的現(xiàn)實意義。通常，患者為治療一種疾病或者減輕多種病情而服用的藥物越來越多。但問題在于，我們對藥物之間的相互作用知之甚少，由此帶來了巨大風險。據(jù)研究人員介紹，醫(yī)生可選擇的藥物種類繁多，加重了這一問題。她指出，“將一種新藥與其他所有藥物一起測試，這在現(xiàn)實中不可能實現(xiàn)，因為針對一種藥物就要進行五千個新實驗?！?/p>

這個問題促使研究人員設計了“十邊形”（Decagon）系統(tǒng)，它是一種預測不同混合用藥潛在副作用的人工智能應用。他們構(gòu)建了一個大型卷積神經(jīng)網(wǎng)絡，模擬人體內(nèi)超過19000種蛋白質(zhì)的相互作用及不同藥物與這些蛋白質(zhì)的相互作用。研究人員利用記錄了蛋白質(zhì)-蛋白質(zhì)及藥物-蛋白質(zhì)相互作用的數(shù)據(jù)庫來驅(qū)動該模型。他們還加入了詳細描述某些藥物及混合用藥相關副作用的數(shù)據(jù)庫。

為實現(xiàn)預測功能，他們選擇使用圖卷積神經(jīng)網(wǎng)絡。這種神經(jīng)網(wǎng)絡常用于社交網(wǎng)絡和知識圖譜，但還需要對其進行調(diào)整才能用于計算生物學?！笆呅巍毕到y(tǒng)所用模型納入了對多個邊緣類型的支持，每種類型代表著一種副作用，并采用獨特的權(quán)值分配形式，對圖卷積神經(jīng)網(wǎng)絡進行了延伸。

該系統(tǒng)的預測功能還不完美，但在很多例子中都表現(xiàn)了出人意料的準確性。例如，該系統(tǒng)指出混合使用膽固醇藥物阿托伐他汀和降壓藥氨氯匹定可能導致肌肉炎癥。雖然用于開發(fā)這個模型的原始數(shù)據(jù)都沒有表明存在這種副作用，但根據(jù)一篇已發(fā)表的案例研究，這種混合用藥確實會引起肌肉炎癥，導致患者要在加護病房治療69天。

研究人員檢索相似病例的醫(yī)學文獻，發(fā)現(xiàn)了“十邊形”系統(tǒng)預測的前十種副作用中，已經(jīng)有五種得到了證實。但這不表示其他五種預測是錯的，只是還沒有出現(xiàn)記錄的例子。該系統(tǒng)尤為擅長根據(jù)分子相互作用來預測副作用，但如果副作用是基于患者的環(huán)境或者行為，那它的準確性就差一些?？偠灾?，研究人員發(fā)現(xiàn)“十邊形”系統(tǒng)遠遠優(yōu)于以往基于計算的預測，指出“在964種副作用類型中，我們的系統(tǒng)所做預測分別比其他方法高出了19.7% (AUROC)、22.0% (AUPRC)、36.3% (AP@50)”。

在當前版本，該系統(tǒng)只能預測與藥物對相關的副作用，但研究團隊希望能夠提高軟件性能，對更復雜的藥物組合進行預測。為推動其在臨床環(huán)境中的應用，他們還希望為醫(yī)生和醫(yī)學研究人員構(gòu)建更具用戶友好性的工具。