11gt2AI技术如何助力药物协
恶性疾病是指正常细胞发生基因突变，使其不受控制地扩增的过程。体内几乎每个细胞都有可能积累突变，形成肿瘤。恶性肿瘤细胞经常会脱离原来位置，通过淋巴和血液系统重新定位并占据其他器官。治疗恶性疾病的单药方法效率较低，联合治疗是一种有前景的药物选择，其临床效应大于其个体效应的总和。
表1.恶性肿瘤的类型
与单药治疗相比，给予药物协同作用而不是单药治疗可产生更大的疗效。通过药物协同作用将不良副作用和宿主毒性降至最低，因为配制药物的剂量通常小于单药的剂量。通过药物协同作用可以降低甚至消除耐药性，因此，药物协同作用成为治疗恶性疾病的有效策略。
图1.治疗恶性肿瘤的方法
协同作用通常被描述为两种或多种化合物共同作用的影响高于其预测的累加效应。当一种药物的活性被另一种药物增强时，这些药物被认为是协同的。需要联合用药治疗的疾病有高血压、癌症、糖尿病、肺结核、心脏病、抗抑郁等。药物协同作用可分为加性协同作用和超加性（增强）协同作用两种类型。
两种药物的影响作用方向相同，只是叠加在累加协同作用中。加性协同作用表示为：
超叠加协同作用如下所示：
恶性肿瘤药物协同作用实施药物协同作用而不是单药治疗将导致恶性肿瘤疾病治疗更大的疗效。联合用药是对抗包括炎症、癌症和2型糖尿病在内的复杂疾病的可能解决方案。这些药物以不可预测的方式联合使用，并提供了广泛的结果。已发现药物协同作用的制剂更有效且具有临床特异性。
联合用药在恶性肿瘤疾病的治疗中具有特别重要的意义。通过给予一种以上药物可以获得许多优势，即更大的有效性、更低的毒性和延迟的获得性耐药。
AI在恶性肿瘤药物协同治疗中的应用药物协同作用成为治疗恶性疾病的可行方法。高通量筛选(HTS)是在不损伤患者的情况下对协同药物组合进行分类的技术之一。HTS用于测试药物的协同组合，初始肿瘤和衍生的癌细胞系具有高水平的基因组相似性。此外，很难通过HTS评估整个组合空间。随着技术的进步，人工智能算法可以消除传统药物开发的挑战和障碍。
图2.在药物协同中的应用
由于细胞系异质性、毒性和不良药理作用，现有的药物组合技术有限，特别是在恶性疾病中。因此，开发计算技术，尤其是机器学习方法，可能是对抗耐药性和提高治疗效果的可行策略。
表2.药物协同作用的AI技术比较分析
药物协同作用的基本架构是一种集中于深度神经网络(DNN)的预测算法。DNN无法直接使用数据库中的分子结构数据。在深度神经网络能够处理蛋白质序列和分子结构之前，DNN必须将蛋白质序列和摩尔结构转化为指定的格式。基于蛋白质序列的属性，如氨基酸组成、理化性质、伪氨基酸组成和二肽组成，使用数值技术将任意长度的蛋白质序列转换为DNN的固定长度向量。
药物化学描述符以多种方式表示。分子指纹、基于文本的表示和图形结构用于化合物表示。药物协同作用的深度学习架构如下图，该体系结构由输入位字符串和协同预测网络等两个组件组成。信息在预测网络的所有层中传播，直到获得所需的协同作用评分。
图3.药物组合的深度学习方法
MatchMakermodel：
DeepSynergymodel：
DrugCell：
Deepneuralnetworkwithautoencoders(AuDNNSynergy)：
Predictionwithdeepbeliefnetwork：
TranSynergy：
Multi-inputneuralnetworkpredictionmodel：
表2.AI在药物协同预测中的应用
药物协同作用中使用的数据库最大的已知药物组合公共数据库是DrugComb。DrugComb数据库包括种药物与种癌细胞系的,种药物组合筛选结果。该数据集使用了33种类型的组织。其中一些问题是皮肤、骨骼、肺、乳腺、卵巢、前列腺、肾脏等。该数据库整理了来自NCIAlmanac数据集、Forcina数据集、Cloud数据集、O’Neil数据集等的数据。
SYNERGxDB是一个综合数据库，用于生物标志物发现。它包括具有个细胞系的1,种化合物的22,种药物组合结果。筛选药物的组织有15种。其中一些组织是血液、肝脏、胰腺等。该数据库收集了9项研究的数据。DrugCombDB是药物组合的综合数据库。该数据库管理来自PubMed文献和外部数据库的数据。该数据库提供了种独特药物与种癌细胞系的总计种药物组合结果。
表3.数据库及其访问链接
药物开发中的深度学习应用总结了解治疗恶性疾病重要性的相关性变得至关重要，因为它是近几十年来的主要死亡原因之一。人工智能在各种药物方案中的应用显示了可喜的结果。人工智能在加速药物配方和探索药物协同从而减少时间线和整体开发成本方面显示出可喜的结果。人工智能、机器学习和深度学习有可能为预测药物协同作用提供有效的模型。人工智能研究中各种数据集的可用性大多使研究人员受益，因为它提供了对预测有帮助的洞察的强大能力。
参考文献：
RaniP,DuttaK,KumarV.Artificialintelligencetechniquesforpredictionofdrugsynergyinmalignantdiseases:Past,present,andfuture.ComputBiolMed.May;:.doi:10./j.
