Structure-Based Drug–Drug Interaction Prediction from Morgan Fingerprints: A Degree-Controlled and Cold-Start Evaluation of a Random Forest Baseline
本研究表明，依赖 Morgan 指纹和理化描述符的基于结构的药物-药物相互作用预测模型，由于存在缺陷的负采样和身份泄漏问题，其性能表现存在严重的过度估计，并最终揭示了此类模型难以泛化至未见的药物对，且需要显式的确定性处理才能具备可靠性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在医学领域，最危险的时刻往往不是发生于某种药物失效时，而是发生在两种安全的药物相遇并产生毒性反应之时。几十年来，医生一直依赖庞大的数据库来检查这些冲突，但这些列表本质上是已发现现象的静态记录。它们无法提供对未来的洞察，导致医生在面对患者被开具一种从未与其他正在服用的药物进行过测试的新药时，处于盲目状态。为了解决这个问题，科学家们转向了计算机，希望教会它们分子化学的规则，以便在危险配对发生之前对其进行预测。其核心思想是观察两种药物的化学结构——它们的原子形状和属性——并观察计算机是否能发现暗示它们会相互“对抗”的模式。然而，通往可靠预测工具的道路充满了隐藏的陷阱，特别是在研究人员如何决定什么构成可以用来教导计算机的“安全”配对方面。如果训练数据存在缺陷，计算机可能会学习到数据伪影，而不是学习化学。
来自印度桑吉瓦尼大学（Sanjivani University）的一个研究小组致力于通过剥离那些经常夸大成功率的捷径，来测试这些计算机模型的真实强度。他们专注于一种用于代表药物的特定数字指纹，称为摩根指纹（Morgan fingerprints），这种指纹将分子分解为描述其结构特征的长字符串位。他们还加入了十项基本的物理测量指标，例如分子量和药物在脂肪中的溶解度。研究人员使用了一种称为随机森林（Random Forest）的方法构建了计算机模型，该方法的工作原理类似于一个专家小组，通过投票来决定一对药物是否会发生相互作用。但在他们能够信任结果之前，必须修复一个在这些模型测试中通常存在的根本问题。在标准测试中，研究人员通过简单地选取尚未被记录的随机组合来创建“负面”示例（即被假定为安全的药物对）。该团队发现这种常用方法存在严重缺陷。当他们审计自己的测试协议时，发现他们标记为“安全”的配对中，竟然有近百分之二十一实际上是完整数据库中已记录的相互作用。计算机被误导以为它正在学习化学，而实际上，它只是在记忆哪些药物频繁出现在数据中。
为了获得对模型能力的真实衡量，研究人员从头开始重建了他们的测试。他们创建了两个新的、严苛的基准。第一个是标准测试，其中负面配对是随机选择的，但有一个关键的修正：每一个已知的相互作用都被从“安全”列表中移除了。第二个是更困难的基准，旨在防止计算机利用药物的流行程度作为线索来依赖数据伪影。在这个版本中，每种药物在“安全”列表中出现的频率与其在“危险”列表中出现的频率完全相同，从而迫使模型完全依赖于化学形状和属性，而不是取决于某种药物有多“出名”。结果是具有启发性的。在第一个较简单的测试中，一个仅使用药物名称（完全忽略其化学性质）的对照系统，其表现与复杂的化学模型不相上下。这表明在简单的测试中，模型主要是在学习哪些药物很受欢迎，而不是学习它们如何相互作用。
当研究人员转向更严格的、受流行度控制的测试时，情况发生了剧烈变化。那个简单的基于名称的系统崩溃了，表现得不比随机猜测好多少，证明了之前的成功确实是一种捷径。化学模型的效果也下降了，但并未完全失败。它能够以适度的准确度区分相互作用的配对与非相互作用的配对，在随机配对中大约有百分之六十二的概率正确识别相互作用。当一对药物中的两种药物对于系统来说都是全新的（即所谓的“冷启动”场景，即计算机从未见过这两种药物中的任何一种）时，模型的表现甚至更差。在这种最难的测试中，准确率降至约百分之五十八左右。虽然这比随机猜测要好，但远未达到临床应用所需的近乎完美的可靠性。研究人员还发现，化学数据的组合方式比所使用的计算机算法类型更为重要。一种将两种药物视为单一且顺序无关的单元，并包含其物理属性的方法，其效果显著优于仅仅将它们的化学代码拼接在一起。
研究得出结论，虽然基于结构的研究具有前景，但隐藏在化学形状中的信号比以往研究所暗示的要微弱得多。研究人员在十种著名的药物组合上测试了他们的最终模型，其中包括西地那非（Sildenafil）和硝酸甘油（Nitroglycerin）这一危险组合。模型未能将这一特定配对标记为危险，将其判定为“未预测到相互作用”，这凸显了一个关键局限性：计算机只能看到分子的形状，而看不到真正导致伤害的生物学机制（例如它们如何影响血管或酶）。为了应对这种不确定性，团队开发了一个原型应用程序，它不提供简单的“是”或“否”的答案。相反，它提供三层输出：无相互作用预测、可能存在相互作用预测，以及一个标记为“不确定”的中间地带。该系统旨在当其无法确定时放弃给出明确答案，并建议用户查阅可靠的医学参考资料。
这项工作为药物安全领域提供了一次必要的现实检查。它证明了许多过去的高性能声明很可能是由于存在缺陷的测试方法，导致计算机依赖于数据伪影而产生的虚高。研究人员提供了一个坚实、诚实的基准，未来的更先进的模型必须超越这个基准才能证明其价值。他们强调，该工具是一个研究原型，而非临床设备，绝不应单独用于做出医疗决策。未来的发展方向包括使用更复杂的模型，例如那些绘制整个生物相互作用网络的模型，并针对这些同样的严格控制进行测试。在此之前，确保患者安全最可靠的方法仍然是医生的谨慎判断以及他们所依赖的经过整理的数据库，而计算机则作为一种有益但需保持谨慎的第二意见。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。