人工智能模型可以幫助預(yù)測(cè)新藥組合的不良事件

根據(jù) 4 月 8 日至 13 日舉行的 2022 年 AACR 年會(huì)上公布的結(jié)果，來(lái)自人工智能模型的初步數(shù)據(jù)可能會(huì)預(yù)測(cè)新聯(lián)合療法產(chǎn)生的副作用。

“臨床醫(yī)生面臨的現(xiàn)實(shí)問(wèn)題是，新的聯(lián)合療法可能導(dǎo)致不可預(yù)測(cè)的結(jié)果，”該研究的資深作者、阿姆斯特丹癌癥中心副教授 Bart Westerman 博士說(shuō)。“我們的方法可以幫助我們了解不同藥物的作用與疾病背景之間的關(guān)系。”

許多癌癥類型越來(lái)越多地采用聯(lián)合療法進(jìn)行治療，臨床醫(yī)生試圖通過(guò)聯(lián)合療法最大限度地提高療效并最大限度地減少治療抵抗的機(jī)會(huì)。然而，這種聯(lián)合療法可以一次將多種藥物添加到患者已經(jīng)復(fù)雜的藥物清單中。測(cè)試新藥或組合的臨床試驗(yàn)很少考慮患者可能在測(cè)試治療方案之外服用的其他藥物。

“尋求治療的患者通常每天使用四到六種藥物，因此很難確定新的聯(lián)合療法是否會(huì)危及他們的健康，”韋斯特曼說(shuō)。“很難評(píng)估聯(lián)合療法的積極效果是否能證明其對(duì)特定患者的負(fù)面副作用是合理的。”

Westerman 及其同事——包括介紹該研究的研究生 Asl? Küçükosmano?lu——試圖使用機(jī)器學(xué)習(xí)來(lái)更好地預(yù)測(cè)新藥組合導(dǎo)致的不良事件。他們從美國(guó)食品和藥物管理局不良事件報(bào)告系統(tǒng) (FAERS) 收集數(shù)據(jù)，該數(shù)據(jù)庫(kù)包含超過(guò) 1500 萬(wàn)條不良事件記錄。他們使用一種稱為降維的方法，將經(jīng)常同時(shí)發(fā)生的事件組合在一起，以簡(jiǎn)化分析并加強(qiáng)藥物與其副作用之間的關(guān)聯(lián)。

然后，研究人員將數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)算法，這是一種模仿人類大腦在數(shù)據(jù)之間建立關(guān)聯(lián)的方式的機(jī)器學(xué)習(xí)。然后使用個(gè)別療法的不良事件來(lái)訓(xùn)練算法，該算法確定了藥物及其副作用之間的共同模式。識(shí)別的模式被編碼到所謂的“潛在空間”中，通過(guò)將每個(gè)不良事件概況表示為 0 到 1 之間的 225 個(gè)數(shù)字字符串，可以將其解碼回原始概況，從而簡(jiǎn)化計(jì)算。

為了測(cè)試他們的模型，研究人員向他們的模型提供了未見(jiàn)的聯(lián)合療法不良事件概況，稱為“不良事件圖譜”，以查看它是否可以識(shí)別這些新概況并使用潛在空間描述符正確解碼它們。這表明該模型可以識(shí)別這些新模式，表明測(cè)量的組合曲線可以轉(zhuǎn)換回組合療法中每種藥物的曲線。

韋斯特曼說(shuō)，這表明聯(lián)合治療的副作用很容易預(yù)測(cè)。“我們能夠通過(guò)潛在空間描述符的簡(jiǎn)單代數(shù)計(jì)算來(lái)確定個(gè)體治療效果的總和，”他解釋說(shuō)。“由于這種方法減少了數(shù)據(jù)中的噪聲，因?yàn)樵撍惴ń?jīng)過(guò)訓(xùn)練以識(shí)別全局模式，因此它可以準(zhǔn)確地捕捉到聯(lián)合療法的副作用。”

標(biāo)簽：