2022-12-26 895文献解读
预测药物相关的多重相互作用对于药物开发和安全监测至关重要。近日,《Briefings in Bioinformatics》发表了一篇综述文章,系统地回顾了人工智能在药物-药物(DDI)、药物-食品(辅料)(DFI)和药物-微生物组(DMI)相互作用中的应用,包括人工智能多重交互的模型、评价指标、算法和数据库等。
人工智能(AI)已被用于以多种方式预测药物效果,如发现新的抗病毒药物和优化病毒感染的治疗、药物发现、预测蛋白质-配体结合亲和力。方法可以大致分为两类:机器学习(ML)和深度学习(DL)。
机器学习(ML)是一类计算的总称,可以从大量记录的信息中挖掘隐藏的标准,并将其用于预测或计算。近年来,用于计算预测的 ML 方法越来越流行,它可以帮助科学家处理大数据、总结规律和预测未知问题,常见的ML算法包括k-最近邻(KNN)、决策树(DT)、随机森林(RF)、朴素贝叶斯(NB)、支持向量机(SVM)、极限梯度提升(XGBoost)、逻辑回归(LR)、梯度提升决策树(GBDT)等。
为了实现有效的预测和分类,深度学习(DL)算法可以通过训练具有几个隐藏层的深度神经网络来学习原始数据的分布,以产生抽象的高级特征。目前,该方法可成功应用于靶点检测、蛋白质位置点预测、药物靶点预测和药物相互作用等领域。卷积神经网络(CNN)、递归神经网络(RNN)和深度神经网络(DNN)是目前用于药物发现的三种主要类型的人工神经网络。
体内药物相互作用包括DDI、DFI和DMI。药物在体内吸收、分布和代谢后,其疗效可能会发生变化。在肝脏中,药物或食物可以用作P450酶的抑制剂或诱导剂,以影响药物代谢。在胃肠道中,药物及其代谢产物、药物或药物代谢产物与食物之间可能存在多种相互作用。在肠道中,微生物与药物或药物代谢产物相互作用,影响药物代谢或药物作用
药物相互作用检测的计算方法为实验室和临床研究提供了有利的选择。
当前数据库中有许多已知的药物相互作用和药物特征,这些生物医学实体都是相关的。它们包含复杂的关系和隐藏的结构信息。这些多模态和复杂的数据在预测模型的开发中至关重要。因此,我们考虑是否可以适当地整合两个数据源,以使结果更准确。此外,数据的质量将直接影响分析结果。然而,如何有效获取高质量数据,整合不同来源的数据,并指导其在模型学习中的合理使用,将是一个具有挑战性和关键性的研究课题。
此外,许多研究缺乏对预测结果的实验验证或仅部分验证了结果。在结果分析中,不应依赖模型或其他模型评分指标的准确性。它们的最终结果需要广泛的临床验证来证明预测的准确性。
每个研究人员都从不同的角度评估模型,由于他们的重点不同,不同模型之间没有统一的评估指标。因此,不同模型之间的测量和比较需要在没有统一标准的情况下从多个角度进行,这对研究人员来说是一个挑战,他们可能需要在实验中下载相同的数据和代码,以从其他角度进行测试和评估。
目前没有足够的模型来预测DFI和DMI,希望未来对这些主题的研究能够激发学者和科学家的兴趣。药物相互作用研究目前主要局限于涉及两种药物或两种物质的研究,关于多种相互作用的研究结果值得进一步研究。此外,还没有基于人工智能方法的综合模型来同时研究体内可能发生的药物相互作用,包括药物-药物相互作用、药物-食物相互作用和药物-微生物相互作用。这种完整的方法将大大减少临床医生的工作和开发新药的时间。
参考文献Chen S, Li T, Yang L, et al. Artificial intelligence-driven prediction of multiple drug interactions[J]. Briefings in Bioinformatics, 2022.图片均来源于参考文献,如有侵权请联系删除。