用于药物-药物相互作用预测的机器学习模型：从计算发现到临床应用

为何联合用药可能存在风险

现代医学常常依赖同时服用多种药物——用于癌症、心脏病、感染，或仅仅为了管理随年龄增长而出现的多种疾病。但当药物在体内相遇时，它们可能相互改变彼此的作用，有时会使治疗效果降低甚至产生危险。本文综述了人工智能，尤其是现代机器学习方法，如何用于提前预测这些药物-药物相互作用，以便医生选择更安全的组合并将治疗方案个体化。

从试错到以数据为驱动的安全性

传统上，有问题的药物组合往往是靠艰难的方式发现的——在晚期临床试验中或药物上市后造成患者伤害时才被察觉。细胞、动物和志愿者的实验仍然是金标准，但这些实验速度慢、费用高，而且无法覆盖海量的潜在药物对。作者认为计算预测为这一瓶颈提供了出路。通过从庞大的数字药物信息库中学习——例如化学结构、体内靶点、已知副作用以及现实世界的不良反应报告——机器学习系统可以在这些药物组合影响大量患者之前就标出高风险对。

机器如何从多种药物数据中学习

综述阐述了这些预测系统的常见工作流程。首先，从主要的生物医学数据库收集信息：描述每种分子外观的化学库、显示药物在体内代谢路径的通路图，以及策划的已知相互作用和副作用列表。接着，算法将这些原始信息转换为计算机可理解的数值模式——例如，通过衡量两种药物的相似性，或将每种药物表示为网络中的节点，连接其靶点、通路和既往反应。然后训练不同的机器学习模型以识别哪些药物对倾向于引发问题，并使用基准数据集和标准准确性指标来检验其性能。

不同算法家族以各自方式解决问题

由于药物相互作用复杂，没有单一模型适用于所有情况。一些方法依赖传统分类器，使用人工设计的特征，而另一些则直接从分子结构或药物与生物实体之间的连接网络中学习。基于图的和深度学习方法尤其成功：它们将药物及其关系视为网络，允许算法“推理”可能对简单模型不可见的连接链。其他策略在相关任务之间共享信息，例如同时预测两种药物是否相互作用以及产生何种效应，这在数据稀缺时非常有帮助。论文还强调了新方向，如阅读科学文献和临床记录的大型语言模型，以及在非常大且稀疏的数据集中探索可能相互作用模式的生成模型。

将计算预测与真实患者连接起来

除了方法，文章强调了这些工具如何支持真实世界的护理。作者讨论了在策划数据库和临床记录上训练的模型如何在床边提醒临床医生危险的组合、帮助在癌症、心脏病学和传染病领域设计更安全的多药方案，并优先确定哪些预测到的相互作用值得进行实验室检测。他们还回顾了一些经典的临床例子——例如抗生素改变降胆固醇药物的水平、止痛药相互拮抗、或果汁意外提高药物浓度——以展示相互作用产生的多种路径。能够捕捉这些模式的机器学习系统因此可以作为早期预警装置，尤其对服用多种药物的老年患者而言。

通往值得信赖的药物人工智能之路上的挑战

尽管在测试数据集上取得了令人印象深刻的准确性，作者强调当前模型在被广泛信任用于临床之前仍面临重要障碍。许多模型是“黑箱”，对为何将某对药物判定为高风险提供的解释很少，这使得医生难以评估或说明这些推荐。模型在数据噪声大或类别不平衡时会出问题——例如，有害相互作用相较于安全组合很少。跨化学、遗传学、电子健康记录和已发表文献整合信息在技术上困难，监管框架也要求在此类工具影响处方之前提供确凿证据。作者认为未来的工作必须聚焦于更可解释的模型、更好地处理偏倚和不完整数据，以及能够在尊重隐私和安全规则的同时从新的临床经验中持续学习的系统。

这对日常治疗意味着什么

简单来说，这篇综述表明人工智能正在成为保持药物组合安全的有力助手。通过梳理远超任何人类专家所能处理的海量数字数据，机器学习模型可以指出危险组合、建议更安全的替代方案，并支持更个性化的处方。这些工具不会取代临床判断或细致的实验室检测，但它们可以帮助确保现代治疗日益复杂的同时不以患者安全为代价。

引用: Lu, Y., Chen, J., Fan, N. et al. Machine learning models for drug-drug interaction prediction from computational discovery to clinical application. npj Digit. Med. 9, 198 (2026). https://doi.org/10.1038/s41746-026-02400-3

关键词: 药物–药物相互作用, 医学中的机器学习, 图神经网络, 临床药理学, 人工智能安全