AI能助预测药物肾毒性，加速新药研发

近年人工智能（AI）在生物医学领域不断扩展。最近大连理工大学研究，就聚焦用深度学习（deep learning）预测药物肾脏毒性 ，以新药开发初期就能淘汰有潜在毒性的化合物，避免伤害受试者或病患。AI技术若成熟，有助加速新药开发流程，降低临床试验风险。论文近日刊登于《Molecular Diversity》期刊。

肾脏主要功能是过滤血液、调节电解质平衡，若暴露于有毒化学物质，可能导致急性肾损伤或慢性肾病。许多常用药物如化疗药物、非类固醇抗发炎药、某些抗生素等，都可能伤害肾脏。传统新药开发时，药物安全性评估要体外实验（in vitro assay）、动物实验等，成本高又耗时，且结果与人体反应不尽相符，可能误将有严重毒性的药物视为安全，最后导致临床实验终止或上市后撤药。

运用AI深度学习，能以巨量数据分析药物风险，视为解决问题的新解决方案。为了让AI模型具足够可信度，团队创建1,018种化合物数据集，并以严格标准筛选与标注这些化合物：凡是明确与“肾损伤”、“肾毒性”、“肾疾病”相关，标记为毒性组；无肾脏不良反应记录，或有肾保护作用、治疗肾疾病的化合物，归为无毒组。这些化合物涵盖常见的临床用药与实验性化合物，为模型训练奠定相当的基础。

团队创建42组预测模型比较性能。结果显示，深度神经网络（deep neural network，DNN）表现最佳，能有效区分化合物的肾毒性，准确率达七成以上，已达实际应用水准。还导入SHAP（SHapley Additive exPlanations）算法，找出十种最具影响力的化学亚结构（substructures），这些特征是潜在的“肾毒性标志”。未来若在药物设计早期就侦测到这些结构，即可尽早调整以避免毒性。

研究亮点在AI学习化学结构，帮助药物开发者更早淘汰高风险候选物，避免不必要的资源浪费。然而，模型准确度仍受限数据库多样性与标注品质。若数据偏重某些药物类别，模型仍可能失准。此外，深度学习有“黑盒子”（black box）特性，决策过程不易理解。如何让AI模型成为药物监管与临床决策的正式依据，仍需更多跨领域的验证与透明化标准。

预期未来，这项研究展现了AI在药物安全领域的潜力。若能扩展预测其他器官毒性，例如肝毒性、心毒性等，就有机会创建多器官毒性预测平台。制药公司可在分子设计阶段就利用这些工具，降低后期试验的失败率。若进一步将这些模型与临床数据及基因体资讯集成，医师将可根据患者基因型与代谢特征，预测其对特定药物的毒性反应，使“用药安全”落实到个人层次。

（首图来源：FreePik）