人工智能帮助预测混合用药的副作用

斯坦福大学的科研人员设计出了一种卷积神经网络，能够预测混合使用多种药物可能产生的副作用。

美国斯坦福大学（Stanford University）的计算机科学家设计出一种卷积神经网络，能够预测混合用药可能产生的副作用。

这项研究工作对患者具有重大的现实意义。通常，患者为治疗一种疾病或者减轻多种病情而服用的药物越来越多。但问题在于，我们对药物之间的相互作用知之甚少，由此带来了巨大风险。据研究人员介绍，医生可选择的药物种类繁多，加重了这一问题。她指出，“将一种新药与其他所有药物一起测试，这在现实中不可能实现，因为针对一种药物就要进行五千个新实验。”

这个问题促使研究人员设计了“十边形”（Decagon）系统，它是一种预测不同混合用药潜在副作用的人工智能应用。他们构建了一个大型卷积神经网络，模拟人体内超过19000种蛋白质的相互作用及不同药物与这些蛋白质的相互作用。研究人员利用记录了蛋白质-蛋白质及药物-蛋白质相互作用的数据库来驱动该模型。他们还加入了详细描述某些药物及混合用药相关副作用的数据库。

为实现预测功能，他们选择使用图卷积神经网络。这种神经网络常用于社交网络和知识图谱，但还需要对其进行调整才能用于计算生物学。“十边形”系统所用模型纳入了对多个边缘类型的支持，每种类型代表着一种副作用，并采用独特的权值分配形式，对图卷积神经网络进行了延伸。

该系统的预测功能还不完美，但在很多例子中都表现了出人意料的准确性。例如，该系统指出混合使用胆固醇药物阿托伐他汀和降压药氨氯匹定可能导致肌肉炎症。虽然用于开发这个模型的原始数据都没有表明存在这种副作用，但根据一篇已发表的案例研究，这种混合用药确实会引起肌肉炎症，导致患者要在加护病房治疗69天。

研究人员检索相似病例的医学文献，发现了“十边形”系统预测的前十种副作用中，已经有五种得到了证实。但这不表示其他五种预测是错的，只是还没有出现记录的例子。该系统尤为擅长根据分子相互作用来预测副作用，但如果副作用是基于患者的环境或者行为，那它的准确性就差一些。总而言之，研究人员发现“十边形”系统远远优于以往基于计算的预测，指出“在964种副作用类型中，我们的系统所做预测分别比其他方法高出了19.7% (AUROC)、22.0% (AUPRC)、36.3% (AP@50)”。

在当前版本，该系统只能预测与药物对相关的副作用，但研究团队希望能够提高软件性能，对更复杂的药物组合进行预测。为推动其在临床环境中的应用，他们还希望为医生和医学研究人员构建更具用户友好性的工具。