福州大学、福建医科大学第一附属医院以及元星智药的研究团队，近日在药物研究领域取得重要进展。他们提出了一种名为 MeTDDI 的深度学习框架，能够高效准确地预测药物相互作用（DDI），相关研究成果已发表于《Nature Machine Intelligence》子刊。
背景介绍
药物相互作用（DDI）是药物研究和临床应用中的一项重要问题。不恰当的药物组合可能导致严重的药物不良反应或药物停药，对患者的健康造成威胁。虽然已有许多深度学习模型在DDI预测方面取得了良好的成果，但这些模型的可解释性以及揭示DDI根本原因的能力尚未得到广泛探索。
研究成果
福大、元星智药团队提出的 MeTDDI 模型，具有局部-全局自注意力和共同注意力，用于学习基于主题的 DDI 预测图。研究人员对 73 种药物（13,786 个 DDI）进行了广泛的评估，MeTDDI 可以精确解释涉及 58 种药物的 5,602 个 DDI 的结构机制。
MeTDDI 的特点
- 局部-全局自注意力：MeTDDI 能够有效学习分子内和分子间亚结构相互作用。
- 共同注意力：模型能够预测 DDI 相关的药物代谢。
- 广泛提供和评估模型的可解释性：MeTDDI 展示了识别与 DDI 相关的关键机制子结构的能力。
评估结果
评估结果表明，MeTDDI 在分类和回归任务中都取得了与基线相比具有竞争力的性能。此外，MeTDDI 还能准确识别药物在 DDI 中的机制作用，并量化 perpetrator 对 victim PK 的影响。
MeTDDI 的应用前景
MeTDDI 为探索 DDI 机制提供了一个新的视角，这将有利于药物发现和多重用药，从而为患者提供更安全的治疗。通过体外和体内实验进行 DDI 评估虽然很有用，但成本高、耗时且费力。MeTDDI 作为一种深度学习模型，有望成为高通量准确 DDI 预测以及根本原因解释的有前途的替代方案。
MeTDDI 的局限性
尽管 MeTDDI 具有诸多优势，但仍然存在一些局限性。例如，在困难场景中，准确预测具有挑战性；模型训练的数据集基于 FDA 药品标签，可能无法反映个别患者的特征；MeTDDI 可能难以同时预测两种以上药物的相互作用。
结语
福大、元星智药团队的研究成果，为药物相互作用预测领域带来了新的突破。MeTDDI 模型不仅在预测精度上表现出色，还在模型可解释性方面取得了显著成果。未来，MeTDDI 有望在药物研发和临床应用中发挥重要作用，为患者提供更安全、有效的治疗方案。
Views: 1