在英国，曾发生过一种名为TGN1412的在研免疫疗法在给人体注射后数小时内引发细胞因子风暴，导致多器官衰竭的案例。另一个例子是中风候选药物Aptiganel，它在动物实验中效果显著，但由于致幻和镇静等副作用而在人体中被终止使用。在临床前测试中被认为安全的药物在人体临床试验中可能会致命。
一种基于机器学习的技术已经开发出来，用于学习这些差异并提前识别潜在危险药物，避免进入临床试验阶段。
由韩国浦项科技大学(POSTECH)生命科学系和人工智能研究生院的Sanguk Kim教授领导的研究团队，以及生命科学系的Minhyuk Park博士、Woomin Song先生和人工智能研究生院的Hyunsoo Ahn先生，开发了一种利用机器学习预测人体药物副作用的技术。
该研究已在线发表在《eBioMedicine》期刊上。
在新药开发过程中，通过临床前试验的药物常常在人体中表现出意外的毒性。这个问题源于人类与动物之间的生物反应差异。例如，巧克力对人类通常是安全的，但对狗却有毒。同样，一种在小鼠中安全的药物并不一定意味着对人类也是安全的。
迄今为止，这种"跨物种差异"一直是新药开发失败的主要原因。
研究团队聚焦于"基因型-表型差异(GPD)"，即细胞、小鼠和人类之间的生物学差异。他们分析了药物靶向基因在人类和临床前模型中功能差异，重点关注三个关键因素：首先，基因对生存的扰动影响（必需性）；其次，基因在不同组织中的表达模式；第三，基因在生物网络中的连接性。
使用434种有害药物和790种获批药物的数据进行验证，结果显示GPD特征与人体中毒性导致的药物失败显著相关。与仅依赖药物化学数据相比，预测能力显著提高，曲线下面积(AUPRC1)从0.35提高到0.63，曲线下面积(AUROC2)从0.50提高到0.75。
开发的AI模型相比现有最先进模型展示了更优越的预测性能。
此外，该模型在"时间顺序验证"中也表现出实用性，可以提醒用户注意因毒性而面临市场撤回的药物。在仅使用1991年之前的药物数据训练预测模型后，它正确预测了1991年后预计从市场撤回的药物，准确率达到95%。
这项研究的意义在于，通过量化细胞、临床前动物模型和人类之间的生物学差异，弥合了临床前试验和临床试验之间的"转化鸿沟"。
制药公司可以通过在临床试验前筛选出高风险候选药物来降低开发成本和时间，同时提高患者安全性。随着更多相关数据和注释的积累，该模型的有效性有望进一步提高。
Sanguk Kim教授表示："这是首次尝试将基因型-表型关系的差异纳入药物毒性预测。我们的框架能够在临床开发早期识别高风险药物。"
他补充道："这种方法有望降低开发成本，提高患者安全性，并增加治疗获批的成功率。"
共同第一作者Minhyuk Park博士和Woomin Song先生表示："以人为中心的毒性预测模型将在新药开发中成为非常实用的工具。我们预计制药公司能够在临床前阶段提前筛选出高风险药物，从而提高开发效率。"
【全文结束】
