基于机器学习方法药物不良反应预测

《基于机器学习方法药物不良反应预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要严重药物不良反应(severeAdverseDrugReaction，sADR)是新药开发中导致药物失败的一个主要因素。当前，评估严重药物不良反应的方法主要是通过临床实验的方法进行的。这样会给患者造成不必要的痛苦并且花费巨大。因此，在药物开发的早期阶段开发一个可行的方法能够对候选药物分子进行严重药物不良反应的评估是非常有必要的。在本次研究中，我们利用机器学习(MachineLearnin已ML)方法来进行药物不良反应的预测。在这次研究中，我们选择了一个普遍发生的致命严重不良反应一呼吸困难(Dyspn朗)作为一个方法性探索的实例来构建一个药物不良反应的预测模型。我们搜集了11

2、68个上市药物结构和其相关的药物不良反应信息。搜集到的每一个药物分子结构都通过MoEQSAR描述符模块将其转成包含成333个描述符作为建模的特征向量。经过特征提取总共有152个分子描述符被选出与所研究的严重不良反应一呼吸困难有较强的关联性。基于这些分子描述符，我们使用3种优秀的并且比较成熟的算法分别构建了3个独立的预测模型。然后，我们利用十重交叉验证对着三个模型的预测性能进行评估。三个模型的总体预测准确率均高达82％。对于预测性能最佳的贝叶斯网络模型，我们利用外部测试集对其进行了进一步的评估。经过对预测后的结果分析，我们发现贝叶斯网络预测模型对导致呼吸困难发生频率在1％以上的药

3、物的预测预测准确率可以达到86．76％。此外，预测模型在非处方药(O、，erThecounte‘OTc)的总体预测准确度也能达到80．oo％。在利用Y．阳ndomization对模型的评估中发现所建立的模型并没有偶然关联性。经过我们的研究分析，我们认为我所构建的机器学习模型能够作为一个有效的工具在药物开发的早期阶段进行药物安全性的评估。关键字：机器学习；药物不良反应；呼吸困难．ABSTRACTSeVereAdVerSeDmgReaction(SADR)isoneoftllem血re嬲onsⅡ斌1eadt0也e筋lureofnew(1mgdeVelopment．Cu玎emly，m

4、e舔sessmentofSAD黜is删血lyacllievI耐byobseⅣationofclillicaltrials，W11ichcausesm砒1ypainsofpatientSaIldiscostly．Therefore，itisdeshdt0deVelopametllodtllatcaneV2Ll岫tcthepotentialSAD黜ofdmgc趾Ididatesinedydmgdiscove珥hl廿lisresearch，weutilizeMacllil舱Le戤11iI培(ML)techIliquet0predictSADR．111this咖dy，wechoseac

5、ommon趾dl劬alSAD凡dySpnea，嬲恤ex锄plet0buildacomputationalmodelforADR嬲sessment．T0taJIy，1，168markeddmgsaIld此ir咖tures、Ⅳerecollected．Eachofthesedrugs饥lcturesw懿firstconverted硫oafeatureVectorbycalculationof152QSARde刚ptors．U．pontlle∞Vectors，threei11dependentmodelswerecons协lctedusingt11reealgori廿lms，Baye

6、si趾Net、^，o咄C4．5觚dR矗ndomForestrespectively．Thepe响mances0fmese缸eemacllinelearrIhlgmodels、ⅣereeV2Ll瑚ltedby10-crossValidation，WIlich廿leoVerallpredictionacCuraciesareallabove82％．ThebeStmodelofBayesianNetwDrkw鹊缸恤ereValuatedbye灿emaltestset．Itw弱obseⅣednlattl圮modeleValuateddrug—iIlduceddyspneaofabove

7、1％incidence谢tllaCcuraCyof86．76％．Thedyspnea嬲sessment0n证lecurremOVermeCounter(0TC)血lgsalsoachieved觚oVerallaccuracy0f80．00％．FumerY-randomizationamllysisiIldica_testhatmeperf．omanceoftheBayesianN咖rkmodeldoesn’thaveobviouscllanceco玎elation．Our咖dysuggest