机器学习算法在药物毒性预测中的应用评价

目的:基于文献计量法评价机器学习算法在药物毒性预测中的应用现状,为相关研究和应用提供参考借鉴,以促进“医药+信息”学科的交叉发展。方法:以“毒性预测”、“定量构效关系(QSAR)”、“计算毒理学”、“机器学习”等为主题词,组合查询发表于中国知网、万方等数据库的相关文献,然后依据“所用算法种类”、“所应用的毒性预测环节”进行归类整理,对机器学习算法在药物毒性预测领域的应用现状进行综述。结果:共检索到相关有效文献122篇。机器学习已用于药物毒性预测的毒性数据集处理、药物信息表征筛选、预测模型训练等,其中应用于模型训练任务的算法次数与种类相较更多;虽然各种算法在药物毒性预测领域都有研究应用,而以支持向量机算法、随机森林算法与深度学习算法的应用较多;另外,文献多数认为基于深度学习或集成学习的模型预测性能较高。结论:机器学习算法在毒性预测领域中应用种类较多,而选择算法时需考虑的主要问题是数据集规模大小和算法运算速度,对异常数据、冗余数据、噪声数据的适应性以及算法的实现难度等;计算机辅助毒性预测相较传统的体内体外实验有着较多的优势,但仍有部分亟待解决的难题,包括医药数据相关板块的不少空缺、现有数据质量的亟待提升和药物信息表征如何选择等。

庆大霉素诱导的大鼠急性肾损伤模型中尿液生物标志物NGAL的研究

目的:评价尿液中性粒细胞明胶酶相关载脂蛋白(NGAL)作为药物肾毒性生物标志物的实用性。方法:通过对Wistar大鼠腹腔注射60和120 mg·kg-1庆大霉素,每天给药1次,连续给药10 d,建立了大鼠急性肾损伤模型。应用ELISA和Luminex液相芯片方法检测分析各组动物尿液NGAL浓度,并与传统血清肾功能指标进行比较。结果:与对照组相比较,庆大霉素给药组动物肾脏重量的变化与给药时间及剂量具有一定相关性。组织病理学分析结果证实随着给药剂量及给药时间的增加,庆大霉素给药组动物出现肾小管细胞坏死损伤的动物数增加,且病变程度也随之加重。尿液生物标志物分析结果表明ELISA和Luminex液相芯片方法检测结果一致性较好,低、高剂量组动物给药后第4天,尿液中NGAL浓度开始大幅度升高,自第8天起,具有明显时间和剂量效应关系。受试者操作特性曲线(ROC)结果也表明NGAL的曲线下面积(AUC)明显高于肌酐(Cr),具有更高的灵敏度和特异性。结论:研究结果表明尿液NGAL可作为一种药物肾毒性的候选生物标志物,在药物的大鼠临床前安全性研究中将具有良好的应用前景。