KidneyTox_v1.0 позволяет объяснимому искусственному интеллекту прогнозировать нефротоксичность малых молекул

Почему важно защищать почки от лекарств

Многие жизненно важные препараты могут незаметно повреждать почки, иногда приводя к серьёзным заболеваниям, которые обнаруживаются слишком поздно. Врачам и разработчикам лекарств нужны способы выявлять этот риск на ранней стадии, прежде чем новая таблетка попадёт к пациентам. В этой статье описан KidneyTox_v1.0 — бесплатный онлайн‑инструмент, использующий объяснимый искусственный интеллект для прогнозирования того, нанесёт ли малое молекулярное лекарство вред почкам — и, что важно, показывающий пользователю, почему он пришёл к такому выводу.

От разрозненных данных к целостной картине

Исследователи начали со скрупулёзно подобранной коллекции из 565 одобренных или экспериментальных препаратов. Примерно половина из них в клинике связывалась с повреждением почек, остальные не имели известной нефротоксичности. Вместо того чтобы рассматривать эти соединения как простой перечень, команда сначала нанесла их на «химическую карту» — базовые свойства, такие как размер, масса, гидрофильность против липофильности, число колец и число связей, способных вращаться. Они обнаружили, что набор охватывает очень широкий диапазон: от маленьких, хорошо растворимых в воде молекул до крупных гибких структур с множеством колец. Эта разнообразность важна: она означает, что инструмент не ограничен одним узким классом химии лекарств.

Обучение компьютера отмечать рискованные молекулы

Используя этот разнообразный набор данных, команда обучила модель машинного обучения — программу, которая выявляет закономерности по примерам — разделять нефротоксичные препараты и более безопасные. Модель, основанная на методе случайного леса, анализирует множество численных дескрипторов, описывающих форму молекулы, распределение заряда и другие характеристики. После тщательной настройки модели и выбора наиболее информативных дескрипторов система правильно классифицировала порядка 84% ранее невидимых тестовых соединений. Чтобы убедиться, что это не случайность, авторы проверяли разные разбиения на обучающую и тестовую выборки и обнаружили, что выбранная модель последовательно входила в число лучших, что говорит о том, что она выучила общие правила, а не просто запомнила данные.

Открывая «чёрный ящик» с помощью визуальных объяснений

Распространённая критика ИИ в медицине — его поведение подобно чёрному ящику: он может предсказать, что препарат опасен, но не объяснить почему. Чтобы устранить это, авторы встроили объяснимость прямо в KidneyTox_v1.0. Они использовали метод SHAP, который присваивает каждому дескриптору положительный или отрицательный вклад в итоговый прогноз для конкретной молекулы. На практике пользователи видят водопадный график, где красные столбцы сдвигают прогноз в сторону «токсично», а синие — в сторону «нетоксично». Например, более высокие значения некоторых признаков, связанных с электроотрицательностью, склоняли прогнозы в сторону риска для почек, тогда как другие признаки, связанные с общей гибкостью молекулы или поляризуемостью, чаще указывали на более безопасный профиль. Примеры на известных препаратах, таких как лансопразол и ципрофлоксацин, оба связанные с проблемами почек, показали, какие конкретные структурные черты вызывают сигнал модели, тогда как относительно более безопасные препараты демонстрируют противоположную картину.

Смешение рассуждений по сходству с инсайтами ИИ

Помимо основной модели, в исследовании разработали так называемые qRASAR‑модели, которые комбинируют дескрипторы машинного обучения с идеями «read‑across», давно используемыми в токсикологии. Здесь риск препарата частично выводится по тому, насколько он похож на известные токсичные или нетоксичные «соседи», и насколько последовательны данные в его окружении. Примечательно, что одна упрощённая модель, основанная всего на трёх таких признаках сходства и ошибки, также показала хорошую работу, находя баланс между точностью и прозрачностью. Это означает, что регуляторы и медицинские химики могут видеть не только то, что соединение похоже на известные вещества, повреждающие почки, но и насколько надёжна эта аналогия с учётом данных в его «окрестности».

Практичный инструмент для разработки более безопасных лекарств

Все эти элементы объединены в KidneyTox_v1.0 — платформу в браузере с удобным интерфейсом. Химик может нарисовать новую молекулу или вставить её текстовый код (строку SMILES) в инструмент и в считанные секунды получить прогноз «токсично» или «нетоксично», оценку уверенности на основе того, насколько молекула похожа на тренировочный набор, и бок о бок графики, сравнивающие её с ближайшим известным соседом. Поскольку исходные данные и код открыто доступны, платформа может быть улучшена и расширена по мере появления новой информации о нефротоксичности, а компании могут тестировать закрытые соединения, не отправляя структуры на удалённый сервер для хранения.

Что это означает для пациентов и будущих лекарств

Проще говоря, эта работа показывает, что сейчас мы можем использовать объяснимый ИИ для выявления кандидатов в лекарства с повышенным риском повреждения почек задолго до их клинических испытаний или попадания на аптечную полку. Показывая, какие молекулярные признаки наиболее тесно связаны с повреждением почек, KidneyTox_v1.0 может направлять химиков к более безопасным решениям — изменяя полярность, систему колец или распределение заряда, чтобы снизить риск и при этом сохранить эффективность. Хотя текущая модель построена на нескольких сотнях соединений и будет улучшаться по мере поступления новых данных, она уже представляет собой практический шаг к более быстрому, дешёвому и гуманному тестированию безопасности с конечной целью — защитить пациентов от предотвратимых повреждений почек.

Цитирование: Amin, S.A., Kar, S. & Piotto, S. KidneyTox_v1.0 enables explainable artificial intelligence prediction of nephrotoxicity in small molecules. Sci Rep 16, 5099 (2026). https://doi.org/10.1038/s41598-026-35496-4

Ключевые слова: токсичность для почек, безопасность лекарств, искусственный интеллект, машинное обучение, хемоинформатика