——背景——
药物相互作用，包括药物-药物相互作用（DDI）和药物-食物相互作用（DFI），可能会改变药物原本的效果，引发不良药物反应。因此，理解和预测药物相互作用，能够最小化药物不良反应，提高药物协同效应，使药物在疾病治疗中发挥最好的效果。为了解决这一问题，来自韩国高等科学技术学院的Jae Yong Ryu等人在PNAS上发表了题为“Deep learning improves prediction of drug–drug and drug–foodinteractions”的文章，提出了一个新的DDI预测模型-DeepDDI [1]。在此之前，研究者已经发展了多种不同的预测方法，包括使用结构相似性信息，药物靶标相互作用信息进行预测等。但Jae Yong Ryu等认为这些方法，一方面只对是否有相互作用进行了预测，而不能给出具体的相互作用类型，另一方面，这些方法用到了很多难以得到的信息作为输入，例如药物的靶标信息，相互作用药物信息，副反应信息等。而DeepDDI模型只使用了药物的名字和结构信息作为输入，并能够预测DDI和DFI的相互作用的具体类型。
——研究方法——
DeepDDI模型的训练和测试使用了来自DrugBank的192284条DDI数据，并从这些数据中提取出了86种DDI作用类型。这些作用类型的具体描述如图1所示。输入的药物对 (drug pair) 中的每个药物，会与2159个被批准的药物进行结构相似性计算，相似性分数构成了2159维的向量，称为Structural similarity profile (SSP) (图2)。SSP又通过PCA方法降维成50维向量。之后，两个药物的特征向量会拼接到一起，用于训练多标签DNN分类模型（图3）。
图1： DDI作用类型
图2： 药物的结构相似性特征提取
图3： DeepDDI模型框架
——研究结果——
经过训练，DeepDDI模型在DDI预测上的表现优于RF模型和KNN算法的预测结果，与另一个DDI预测模型HNAI [2]进行比较，DeepDDI显著优于HNAI。
DeepDDI模型可以被应用于多个方面，包括预测药物-药物相互作用，寻找能够降低副作用的替代药物，预测药物-食物相互作用从而分析食物组分的潜在生物学功能和活性等。DeepDDI是多标签分类模型，可以预测药物之间的多种相互作用，因此可以帮助我们寻找药物之间尚未发现的相互作用类型。对于能产生不良反应的药物对，我们可以通过模型寻找新的没有不良反应的药物对，降低药物不良反应对用药者的影响。利用DeepDDI，我们还可以分析药物-食物组分之间的相互作用，从而对用药期间的饮食提供指导（图4）。
图4： II型糖尿病相关的疾病、药物、食物组分相互作用网络
——小结——
DeepDDI模型能够仅通过药物的名字和化学结构，实现对DDI的预测和分析。这一模型能够帮助我们进一步的理解药物相互作用的机制。在实际情况中，我们常常需要考虑更多药物之间（大于或等于3个药物之间）的相互作用，这也需要更复杂的模型，以及更多输入数据的支持，这也将成为模型今后优化和改进的方向。
参考文献：
1. Ryu, Jae Yong, Hyun Uk Kim, and Sang Yup Lee. "Deep learning improves prediction of drug–drug and drug–food interactions." Proceedings of the National Academy of Sciences. 115.18 (2018): E4304-E4311. DOI: 10.1073/pnas.1803294115
2. Cheng, Feixiong, and Zhongming Zhao. "Machine learning-based prediction of drug–drug interactions by integrating drug phenotypic, therapeutic, chemical, and genomic properties." Journal of the American Medical Informatics Association. 21.e2 (2014): e278-e286. DOI: 10.1136/amiajnl-2013-002512
作者：王世伟
编辑：王世伟
GoDesign
ID：Molecular_Design_Lab
联系客服
