KidneyTox_v1.0 möjliggör förklarbar artificiell intelligens för att förutsäga nefrotoxicitet hos små molekyler

Varför det är viktigt att skydda njurarna från läkemedel

Många livräddande läkemedel kan i tysthet skada njurarna och ibland leda till allvarlig sjukdom som först blir uppenbar när det redan är för sent. Läkare och läkemedelsutvecklare behöver verktyg för att upptäcka denna risk tidigt, innan en ny tablett når patienterna. Denna artikel beskriver KidneyTox_v1.0, ett gratis onlineverktyg som använder förklarbar artificiell intelligens för att förutsäga om ett småmolekylärt läkemedel sannolikt skadar njurarna — och, vilket är avgörande, visar användaren varför det drar den slutsatsen.

Från spridda data till en helhetsbild

Forskarna började med att sammanställa en noggrant kurerad samling om 565 godkända eller experimentella läkemedel. Ungefär hälften av dessa har rapporterats orsaka njurskador hos människor, medan resten saknar känd njurtoxicitet. I stället för att behandla dessa föreningar som en enkel lista kartlade teamet först deras ”kemiska grannskap” — grundläggande egenskaper såsom storlek, vikt, hydrofila kontra lipofila tendenser, antal ringstrukturer och hur många bindningar i molekylen som kan vridas och röra sig. De fann att uppsättningen spänner över ett mycket brett spektrum: från små, mycket vattenlösliga molekyler till stora, flexibla strukturer med många ringar. Denna mångfald är viktig; den innebär att verktyget inte är begränsat till en snäv typ av läkemedelskemi.

Lära en dator att flagga riskfyllda molekyler

Med denna mångsidiga datamängd tränade teamet en maskininlärningsmodell — ett datorprogram som lär sig mönster från exempel — för att skilja njurtoxiska läkemedel från tryggare sådana. Modellen, baserad på en metod som kallas random forest, analyserar många numeriska deskriptorer som fångar en molekyls form, laddningsfördelning och andra egenskaper. Efter noggrann finjustering av modellen och urval av de mest informativa deskriptorerna klassificerade systemet korrekt ungefär 84 % av de ej tidigare sedda testföreningarna. För att försäkra sig om att detta inte var en tillfällighet testade författarna flera olika tränings–testuppdelningar och fann att deras valda modell konsekvent presterade bland de bästa, vilket tyder på att den lärt sig generella regler snarare än att memorera data.

Öppna ”black box” med visuella förklaringar

En vanlig kritik mot AI inom medicin är att den ofta fungerar som en svart låda: den kan förutsäga att ett läkemedel är farligt, men kan inte säga varför. För att motverka detta byggde författarna in förklarbarhet direkt i KidneyTox_v1.0. De använde en teknik som kallas SHAP, som tilldelar varje deskriptor ett positivt eller negativt bidrag till det slutliga prediktionsresultatet för en given molekyl. I praktiken ser användaren ett vattenfallsdiagram där röda staplar driver prediktionen mot ”toxisk” och blå staplar driver mot ”icke‑toxisk”. Till exempel tenderade högre värden av vissa elektronegativitetsrelaterade egenskaper att skjuta prediktioner mot njurskada, medan andra egenskaper kopplade till molekylens flexibilitet eller polariserbarhet ofta stödde en säkrare profil. Fallstudier med välkända läkemedel som lansoprazol och ciprofloxacin, båda associerade med njurproblem, visade hur specifika strukturella drag driver modellens varningssignal, medan relativt säkrare läkemedel visar motsatt mönster.

Blanda likhetsresonemang med AI‑insikt

Utöver huvudmodellen utvecklade studien också så kallade qRASAR‑modeller, som kombinerar maskininlärningsdeskriptorer med ”read‑across”‑idéer som länge använts inom toxikologi. Här härleds ett läkemedels risk delvis från hur likt det är kända toxiska eller icke‑toxiska grannar och hur konsekventa omgivande data är. Anmärkningsvärt nog presterade en förenklad modell baserad på bara tre sådana likhets‑ och fel‑funktioner fortfarande väl och uppnådde en balans mellan noggrannhet och transparens. Det innebär att tillsynsmyndigheter och medicinska kemister kan se inte bara att en förening liknar kända njurskadegörande läkemedel, utan också hur pålitlig den liknelsen är, givet data i dess närhet.

Ett praktiskt verktyg för att designa säkrare läkemedel

Alla dessa element förenas i KidneyTox_v1.0, en webbläsarbaserad plattform byggd med ett användarvänligt gränssnitt. En kemist kan rita en ny molekyl eller klistra in dess standardtextkod (en SMILES‑sträng) i verktyget och inom ögonblick få en ”toxisk” eller ”icke‑toxisk” prediktion, en bedömning av förtroende baserat på hur lik molekylen är träningsuppsättningen, samt sid‑vid‑sid‑diagram som jämför den med dess närmaste kända granne. Eftersom underliggande data och kod delas öppet kan plattformen förbättras och utökas i takt med att ny information om njurtoxicitet framkommer, och företag kan testa proprietära föreningar utan att behöva skicka strukturer till en fjärrserver för lagring.

Vad detta betyder för patienter och framtida läkemedel

Enkelt uttryckt visar detta arbete att vi nu kan använda förklarbar AI för att flagga läkandekandidater med högre sannolikhet att skada njurarna, långt innan de når kliniska prövningar eller apotekshyllan. Genom att avslöja vilka molekylära egenskaper som är mest kopplade till njurskada kan KidneyTox_v1.0 vägleda kemister mot säkrare designval — justera polaritet, ringsystem eller laddningsfördelning för att minska risker samtidigt som nyttan bevaras. Även om den nuvarande modellen är byggd på några hundra föreningar och kommer att förbättras med mer data, utgör den redan ett praktiskt steg mot snabbare, billigare och mer humant säkerhetstestande, med det yttersta målet att skydda patienter från onödig njurskada.

Citering: 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

Nyckelord: njurtoxicitet, läkemedelssäkerhet, artificiell intelligens, maskininlärning, kemiformatik