人工神經(jīng)網(wǎng)絡建立的環(huán)孢素A血藥濃度預測模型

余俊先，夏 杰，史麗敏，李 珊，程 晟，溫愛萍，衛(wèi)紅濤，王汝龍（.首都醫(yī)科大學附屬北京友誼醫(yī)院臨床藥理室，北京 00050；.南京醫(yī)科大學數(shù)學與計算機教研室，江蘇 南京 009）

環(huán)孢素A（cyclosporine A, CsA）自上個世紀80年代應用于臨床器官移植以來，已經(jīng)大大提高了患者的生存率和移植物的存活率。CsA是目前臨床常用的強效免疫抑制劑，但是應用CsA的最大困擾是其治療窗狹窄，藥動學參數(shù)個體差異非常大，用藥量過大會導致患者發(fā)生肝腎功能損害[1-2]，用藥量過小則會出現(xiàn)排斥反應，嚴重影響器官移植受者的治療效果[3]。現(xiàn)行的CsA給藥方案，首次劑量一般依據(jù)體重，此后則參考CsA的測定濃度，常需要進行頻繁的劑量調整。有些器官移植，特別是腎移植，由于患者生理病理因素的影響，CsA 生物利用度可相差10～20倍[4]，因而依據(jù)血藥濃度再調整給藥劑量具有滯后性。本研究借助人工神經(jīng)網(wǎng)絡技術，嘗試對CsA的血藥濃度進行前瞻性的預測，以期最大限度地提高藥物療效，降低毒副作用。

1 研究方法

1.1 資料來源

回顧性地收集本院2005-2007年的所有腎移植病例，這些病例住院期間均接受CsA（新山地明）、MMF（麥考酚酸莫酯）和Pred（強的松）三聯(lián)免疫抑制給藥方案，并剔除部分不合格樣本：住院病歷記錄不完整，合并用藥中使用了影響CsA濃度的藥物，在1～ 2個月內出現(xiàn)移植器官明顯排異，以及嚴重并發(fā)癥的病例。共獲得160份有效病例。

1.2 變量篩選

根據(jù)臨床意義并結合相關文獻資料，篩選出可能影響CsA血藥濃度的因素，包括性別（GE）、年齡（AG）、體重（WE）、移植后天數(shù)（PTD）、肌酐（CR）、谷丙轉氨酶（ALT）、堿性磷酸酶（ALP）、尿素氮（BUN）、血糖(GLU)、白細胞（WBC）、血紅蛋白（HGB）、紅細胞壓積（HCT）、用藥劑量（D）、CsA全血谷濃度（C0）等，所有資料錄入Excel表格。其中，各項生理生化指標均為自動生化儀測定結果，C0測定采用特異性單克隆試劑盒的熒光偏振免疫法（TDx分析儀，美國Abbott公司）。

1.3 建模數(shù)據(jù)庫和GA-BP模型構建

從已收集160份有效病例中，順序取135份，其中男性96例，女性39例，共獲建模數(shù)據(jù)579組。這些病例隨機分成兩組，其中90例作為訓練組樣本，45例作為測試組樣本。GA-BP（genetic algorithm-back propagation，遺傳算法優(yōu)化的反向傳播算法）模型構建原理：先將自變量及因變量的原始數(shù)據(jù)歸一化處理，并將其分別作為BP神經(jīng)網(wǎng)絡的輸入和輸出；利用GA搜索全局范圍內的優(yōu)化初值，然后以此作為BP算法的初始權值對網(wǎng)絡進行訓練，獲得進一步優(yōu)化的權值和閾值，即完成GA-BP模型的構建。構建GA-BP模型的整個流程如圖1所示。

圖1 GA-BP模型的構建流程Fig 1 Construction flow-sheet of GA-BP model

1.4 血藥濃度預測模塊的建立

首先，采用Matlab語言實現(xiàn)遺傳優(yōu)化BP神經(jīng)網(wǎng)絡（GA-BP）算法，三層GA-BP神經(jīng)網(wǎng)絡實際上是兩層函數(shù)f1和f2，其形式如以下4個公式：

其中W1、b1分別為第一層到第二層的權重和閾值；W2、b2分別為第二層到第三層神經(jīng)元的權重和閾值；I表示一系列自變量的值組成的向量。遺傳算法是構建一個W1、b1、W2、b2的隨機數(shù)矩陣作為初始化種群，然后通過選擇、交叉、變異的遺傳操作，以從種群中尋找使得SSE（誤差平方和）最小的W1、b1、W2、b2；以遺傳算法優(yōu)化的W1、b1、W2、b2作為初始值，仍然通過上述公式通過誤差反饋調整權值和閾值（即BP算法）尋找使得SSE最小的W1、b1、W2、b2，這便是GA-BP模型的核心。當該模型用于預測時，通過輸入向量I，根據(jù)以上公式，可計算出血藥濃度值。然后，使用編程工具Visual Basic 6.0和Matlab語言編譯工具MIDEVA 4.5開發(fā)CsA血藥濃度預測模塊。最后，采用該模塊預測血藥濃度，順序取10個樣本（病例），每個樣本預測3個濃度，并將該預測濃度與其實驗室的測定濃度進行對比，驗證模型的預測性能（偏差）。

2 結果

2.1 血藥濃度預測模型

血藥濃度預測模型的界面見圖2。首先，確定建模的訓練樣本數(shù)量（總樣本的2/3），點擊“確定”，進行隨機分組訓練；根據(jù)大量數(shù)據(jù)的回歸分析，確定影響CsA血藥濃度的因素（變量）包括性別、前次的HCT、C0，以及本次的ALT、CR、HGB、dose1，點擊“確定”，彈出血藥濃度預測模型構建窗口。其次，血藥濃度預測模型構建的參數(shù)設置，具體見圖3。最后，點擊“GA-BP網(wǎng)絡訓練”，進行遺傳算法尋優(yōu)和BP訓練，經(jīng)過多次訓練后，根據(jù)預測精度確定模型是否完成構建過程；一般情況，當精度合適（訓練集預測精度與測試集預測精度接近）時，就可以保存最優(yōu)的權值，進行血藥濃度預測。

圖2 建立CsA血藥濃度預測模型的界面Fig 2 Page for building up predictive model on plasma level of CsA

圖3 CsA血藥濃度預測模型參數(shù)設置的界面Fig 3 Page for parameter setting of predictive model on plasma level of CsA

2.2 血藥濃度預測結果

打開血藥濃度預測窗口（圖4），輸入相應的變量值，點擊“獲得預測值”，即可獲得預測的血藥濃度值。從未參與建模的25個樣本（病例）中順序取10個樣本，每個樣本預測3個濃度，并與測定濃度進行比較，檢驗預測效果。結果，在參與預測的30個濃度中，預測誤差小于10%的有22個濃度，誤差在10% ～20%之間的有7個濃度，誤差大于20%的有1個濃度（表1）。這一結果初步表明，神經(jīng)網(wǎng)絡建立的模型可嘗試用于CsA濃度的預測研究。

圖4 CsA血藥濃度預測窗口Fig 4 Predictive window of plasma level of cyclosporine A

3 討論

治療藥物的濃度監(jiān)測，在特殊群體中顯得尤為重要[5]，它是提高藥物療效、減少藥物毒性的有效手段，也是實現(xiàn)臨床給藥方案個體化的基礎。對某些治療窗窄且監(jiān)測費用較高的藥物如CsA而言，除了常規(guī)的濃度監(jiān)測外，可以嘗試進行前瞻性的預測研究。

經(jīng)典的CsA 濃度預測，應用最多的是采用基于非線性混合效應模型的群體藥動學程序—NONMEN 程序，這種預測模型已經(jīng)得到廣泛應用，并為大家所接受。但是，根據(jù)群體藥動學結果設計給藥方案也有一定的局限性，因為真實的生物系統(tǒng)是極其復雜的，藥物在人體內的代謝過程千差萬別，僅靠有限的數(shù)學結構模型很難理想地確定藥動學變量、藥物輸入與藥效學之間的定量關系。人工神經(jīng)網(wǎng)絡（artificial neural network, ANN）技術是在現(xiàn)代神經(jīng)科學研究的基礎上對生物神經(jīng)系統(tǒng)的結構和功能進行數(shù)學抽象、簡化和模仿而逐步發(fā)展起來的，根據(jù)生物神經(jīng)系統(tǒng)對外界系統(tǒng)的認知過程，用以模擬人的大腦神經(jīng)處理信息的方式，進行信息并行處理和非線性轉換的復雜網(wǎng)絡系統(tǒng)。傳統(tǒng)藥動學建立數(shù)學模型本身需要假定一些條件，這些條件不一定符合現(xiàn)實的環(huán)境，是一種理想狀態(tài)；人工神經(jīng)網(wǎng)絡無須假設藥物行為模型,因而能夠避免模型誤差。此外，只要數(shù)據(jù)量大，神經(jīng)網(wǎng)絡在學習的過程中，能夠自我學習，自我調整，尋找合理的非線性關系；而對于非線性，有的是無法建立數(shù)學模型的。國內有人嘗試用國外的EasyNN-plus8.0全功能試用軟件來預測CsA濃度[6]。EasyNN-plus8.0程序的建模數(shù)據(jù)來源于白種人的臨床資料，而本研究嘗試建立的程序，建模和預測數(shù)據(jù)均取自中國人，可能更具有參考價值。當然，除了藥物本身外，影響CsA濃度的因素非常多，包括患者的生理病理狀態(tài)、CsA代謝基因CYP3A4和CYP3A5的遺傳變異[7]以及合并用藥[8]等，都是建立預測模型需要考慮的問題。本文所做的工作只是初步的嘗試性研究，建立成熟的預測程序還需進行更深入的后續(xù)工作。

表1 環(huán)孢素A的測定濃度和預測濃度值比較.n = 30Tab 1 Comparison of actual levels and predictive levels in cyclosporine A.n = 30

[1] 孫增先，周金玉，張騫峰，等.肝腎移植受者環(huán)孢素AUC監(jiān)測評估[J].中國藥學雜志， 2006，41（21）：1673-1675.

[2] Tsunoda SM, Aweeka FT.The use of therapeutic drug monitoring to optimise immunosuppressive therapy[J].Clin Pharmacokinet,1996, 30(2)：107-140.

[3] 鄭芝欣，翟保同.環(huán)孢素A血藥濃度監(jiān)測及個體化給藥方案設計在腎移植病人中的應用[J].醫(yī)學信息，2006，19（3）：503-504.

[4] 李芹，趙秀杰，唐紹芬，等.環(huán)孢素A 人體藥動學影響因素分析[J].中國醫(yī)院藥學雜志，2002，22（7）：431-432.

[5] 陳騉，王睿.特殊人群的治療藥物監(jiān)測[J].中國藥物應用與監(jiān)測，2004，1（4）：33-36.

[6] 徐楚鴻，艾又生，陳華庭.人工神經(jīng)網(wǎng)絡法預測腎移植術后患者環(huán)孢素A 的血藥濃度[J].中國醫(yī)院藥學雜志，2008，28（4）：276-278.

[7] 胡永芳，翟所迪，邱雯.CYP3A5*3和CYP3A4*18B基因多態(tài)性對腎移植患者環(huán)孢素藥代動力學的影響[J].中國藥理學通報，2009，25（3）：378-382.

[8] 牟燕，李元媛，林琳，等.合并用藥對環(huán)孢素A血藥濃度的影響[J].中國藥物應用與監(jiān)測，2006，3（1）：20-22.