人工神經(jīng)網(wǎng)絡(luò)在構(gòu)建華法林劑量模型中的應(yīng)用進(jìn)展*

李曉平，張亞同

（1.廣西中醫(yī)藥大學(xué)附屬瑞康醫(yī)院藥學(xué)部，廣西 南寧 530011； 2.北京醫(yī)院藥學(xué)部，北京 100730）

華法林是目前臨床常用的口服抗凝藥，臨床多根據(jù)凝血酶原時間和國際標(biāo)準(zhǔn)化比值（INR）來調(diào)整用量。構(gòu)建華法林劑量預(yù)測模型被公認(rèn)為是實現(xiàn)華法林個體化用藥、降低其不良反應(yīng)發(fā)生風(fēng)險的可行方法，主要方法有多元線性回歸方程和機(jī)器學(xué)習(xí)算法兩大類，后者中的人工神經(jīng)網(wǎng)絡(luò)（ANN）是近年來的研究熱點(diǎn)。本研究中對應(yīng)用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建華法林劑量模型的研究進(jìn)行歸納總結(jié)，為華法林的臨床研究提供參考。

1 華法林抗凝血作用的影響因素及劑量預(yù)測模型

1.1 影響因素

影響華法林抗凝血作用的因素包括非遺傳因素和遺傳因素，非遺傳因素主要有種族、年齡、性別、身高、體質(zhì)量、體表面積、吸煙史、飲食習(xí)慣、疾病狀態(tài)、環(huán)境、藥物的相互作用等。遺傳因素包括細(xì)胞色素P4502C9（CYP2C9）、維生素 K環(huán)氧化物還原酶復(fù)合體 1（VKORC1）、CYP4F2、γ 谷氨酰羧化酶（GGCX）、微粒體環(huán) 氧 化 物 水 解 酶 （EPHX1）、載 脂 蛋 白 E（ApoE）、CYP2A6、CYP2C18、葉酸聚谷氨酸合酶（FPGS）、STX4 基因、多藥耐藥基因（MRDl）、凝血因子Ⅱ基因（F2）、凝血因子Ⅶ基因（F7）等［1］。CYP2C9 基因多態(tài)性僅占華法林劑量變異的12%（4% ～20%）；VKORC1的貢獻(xiàn)比例為27%（6% ～25%），高于 CYP2C9；CYP4F2僅可解釋約2%，GGCX也僅可解釋約2.3%華法林個體劑量差異［2］；其他基因?qū)θA法林劑量雖有影響，但貢獻(xiàn)不大，還有待進(jìn)一步研究。

1.2 華法林的劑量預(yù)測模型

1998年，OATES等［3］就患者的臨床因素與華法林劑量需求之間的關(guān)系開始研究并構(gòu)建了給藥模型。遺傳因素隨著藥物基因組學(xué)研究的深入被作為重要的變量加入之后的研究模型中。2005年，SCONCE等［4］率先在華法林穩(wěn)定劑量預(yù)測模型中納入了遺傳因素。迄今已發(fā)表的華法林劑量預(yù)測公式達(dá)10余個［5-14］。目前，最常用的是國際華法林藥物基因組學(xué)協(xié)會于2009年發(fā)表在《新英格蘭醫(yī)學(xué)雜志》上的預(yù)測模型。

以上模型大多數(shù)都納入了基因多態(tài)性參數(shù)。盡管對于華法林基因?qū)虻娜A法林個體化用藥預(yù)測模型與臨床常規(guī)給藥比較，尚有爭議，但國內(nèi)外多項研究表明，基于基因因素創(chuàng)建的華法林劑量預(yù)測模型更有助于劑量調(diào)整，并降低不良反應(yīng)發(fā)生率［15-16］。

2 人工神經(jīng)網(wǎng)絡(luò)的工作原理及主要應(yīng)用

目前，建立華法林個體化用藥預(yù)測模型的方法大體可分為多元線性回歸和機(jī)器學(xué)習(xí)算法兩類。因臨床因素以數(shù)值變量為主，數(shù)據(jù)處理起來更簡單方便，大多數(shù)研究選擇了多元線性回歸進(jìn)行建模，但很難模擬藥物在人體內(nèi)的真實代謝過程。因此，機(jī)器學(xué)習(xí)算法因此應(yīng)運(yùn)而生，ANN則是其中常用的算法。

ANN是一種由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和節(jié)點(diǎn)間相互聯(lián)接構(gòu)成的信息處理系統(tǒng)，能模擬大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能。通過分析輸入和輸出數(shù)據(jù)之間的關(guān)系和規(guī)律，形成一個復(fù)雜的非線性系統(tǒng)函數(shù)，其過程類似于“訓(xùn)練”。目前，各領(lǐng)域應(yīng)用廣泛的是反向傳播（BP）神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)神經(jīng)元的每一個輸入連接強(qiáng)度一般以權(quán)重來表示，輸出量一般是權(quán)重和的函數(shù)。實質(zhì)上，ANN是一種把輸入轉(zhuǎn)化為輸出的數(shù)學(xué)表達(dá)式，通過強(qiáng)大的網(wǎng)絡(luò)學(xué)習(xí)、記憶和聯(lián)想功能分析和預(yù)測大數(shù)據(jù)信息，特別適合智能化地處理非線性問題，近年來在信息處理、醫(yī)學(xué)、工程學(xué)、經(jīng)濟(jì)學(xué)等多個領(lǐng)域的應(yīng)用日益增多，且效果較好［17］。

3 國內(nèi)外應(yīng)用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建模型的情況

最早報道的神經(jīng)網(wǎng)絡(luò)應(yīng)用于華法林劑量模型見于1993年 NARAYANAN 等［18］的研究。研究顯示，利用華法林基因數(shù)據(jù)來遴選神經(jīng)網(wǎng)絡(luò)的預(yù)測變量子集，通過識別出重要的預(yù)測參數(shù)來減小神經(jīng)網(wǎng)絡(luò)的規(guī)模，從而加快其訓(xùn)練速度和對過度訓(xùn)練的敏感性，能顯著增強(qiáng)神經(jīng)網(wǎng)絡(luò)的預(yù)測能力。但僅基于對3個患者的分析描述，未提及華法林劑量模型的具體情況。

2004年，SOLOMON等［19］報道了以色列一項應(yīng)用ANN構(gòu)建華法林劑量模型的研究，研究組根據(jù)148份1996年至1997年參與抗凝治療研究的病歷資料構(gòu)建了一個華法林維持劑量的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型利用其中2/3的樣本作為分析訓(xùn)練資料，剩下的1/3樣本則用作測試，最終篩選出7個輸入變量，然后以華法林的維持劑量作為輸出變量。結(jié)果顯示，該模型預(yù)測結(jié)果與實際維持劑量相近，可認(rèn)為該人工神經(jīng)網(wǎng)絡(luò)模型能對個體化的維持劑量給出合理的預(yù)測值。但該模型只納入了人口統(tǒng)計學(xué)和臨床影響因素作為輸入變量，基因變量被排除在外。

ZHOU等［20］收集了中國心臟瓣膜置換術(shù)后低強(qiáng)度抗凝治療多中心臨床研究數(shù)據(jù)庫中2011年1月至2012年9月的1093例合適患者的臨床數(shù)據(jù)，按3∶1比例分為訓(xùn)練集和驗證集構(gòu)建ANN模型。這些患者的目標(biāo)INR都是1.5～2.5。結(jié)果對華法林維持劑量的平均預(yù)測準(zhǔn)確率為65.93% ～68.50%（中等劑量組的預(yù)測準(zhǔn)確率為 77.68% ～83.48% ），而用多元線性回歸（MLR）建立的模型預(yù)測準(zhǔn)確率為 45.42% ～66.30%，故認(rèn)為ANN模型能為接受低強(qiáng)度抗凝治療的中國心臟瓣膜疾病患者提供理想和穩(wěn)定的華法林維持劑量預(yù)測，其預(yù)測準(zhǔn)確率比 MLR 高，且對中等劑量（1.875～3.125 mg/d）患者的預(yù)測準(zhǔn)確率要高于低劑量（1.875 mg/d）和高劑量（＞3.125 mg/d）患者。同樣，該項研究也只納入了人口統(tǒng)計學(xué)和臨床影響因素，基因因素也被排除在外。

SALEH等［21］針對阿拉伯裔人群的研究收集了3415例INR 2～3范圍患者的臨床數(shù)據(jù)作為訓(xùn)練集，另外收集856例患者的數(shù)據(jù)作為測試集，通過ANN算法識別出年齡、身高、體質(zhì)量、CYP2C9基因型、VKORC1基因型、合并使用的多種藥物為最佳參數(shù)構(gòu)建華法林劑量模型，結(jié)果對訓(xùn)練集和測試集患者的預(yù)測準(zhǔn)確率分別為48%和43%，認(rèn)為ANN算法能預(yù)測合適的華法林劑量。

在一項針對高加索人群的研究中，GROSSI等［22］收集了377例2008年12月至2009年2月接受華法林治療患者的數(shù)據(jù)，通過TWIST?系統(tǒng)最終篩選出23個人口統(tǒng)計學(xué)、臨床和基因數(shù)據(jù)（CYP2C9和VKORC1基因多態(tài)性）作為輸入量構(gòu)建ANN模型。該模型對華法林劑量預(yù)測的準(zhǔn)確率平均達(dá)48%，尤其是每周劑量≤21 mg和21～49 mg患者組中分別高達(dá)72%和74%，故認(rèn)為ANN模型是準(zhǔn)確預(yù)測華法林維持劑量的有效工具。

ISMA′EEL 等［23］報道了黎巴嫩的一項研究，通過收集174例患者的臨床數(shù)據(jù)和基因數(shù)據(jù)建立的ANN華法林劑量模型能比線性模型減少到達(dá)目標(biāo)INR的劑量錯誤，故認(rèn)為基于藥物基因組學(xué)的ANN華法林劑量模型在預(yù)測華法林劑量、減少不良反應(yīng)方面具有較好前景。

PAVANI等［24］針對印度人群以240例患者的年齡、性別、體質(zhì)量指數(shù)、維生素K血漿濃度、甲狀腺功能狀態(tài)和 CYP2C9*2，CYP2C9*3，CYP2C9*8，CYP2C9*13，VKORC1*3，VKORC1*4，VKORC1 D36Y，VKORC1-1639 G＞A，CYP4F2 V433M，GGCX 10個基因變量作為輸入量，華法林治療劑量為輸出量，采用雙曲正切函數(shù)構(gòu)建ANN結(jié)構(gòu)，可解釋華法林劑量差異達(dá)93.5%?？蓽?zhǔn)確預(yù)測INR 2.0以下的74.5%患者和INR 3.5以上的83.3%患者，且能減少超范圍INR值、不良反應(yīng)發(fā)生率和縮短到達(dá)目標(biāo)INR值的時間，甲狀腺功能正常和減退患者均可使用該模型。因此認(rèn)為，ANN算法可有效提高華法林劑量預(yù)測準(zhǔn)確度，并提供安全有效的劑量。

ALZUBIEDI等［25］以163例非洲裔美國人的年齡、體 質(zhì) 量 、CYP2C9*1/*1、VKORC1、rs12777823、rs2108622、充血性心力衰竭和胺碘酮使用作為參數(shù)，研究對比了線性回歸與ANN 2種劑量模型，二者可解釋的劑量差異分別為48%和52%，即除了每周劑量不低于49 mg的患者組，ANN并不能比線性回歸模型更好地預(yù)測劑量。

3 分析與展望

3.1 越來越多的研究納入了基因參數(shù)

已報道的ANN華法林劑量模型中，初期的模型主要以人口統(tǒng)計學(xué)和臨床影響因素為參數(shù)，后面則有越來越多的研究納入了基因參數(shù)。關(guān)于基因參數(shù)是否有利于構(gòu)建ANN模型存在一定爭議。部分研究者認(rèn)為，基因參數(shù)對ANN建模貢獻(xiàn)不大，但遺傳因素對華法林劑量的影響共識已越來越多。更多學(xué)者對于華法林藥物基因?qū)W研究的臨床價值持樂觀態(tài)度，才有更多研究把基因參數(shù)納入ANN華法林劑量模型中，并在一定程度上得到了驗證。初期的研究模型未納入基因參數(shù)，也可能與收集到的數(shù)據(jù)類型有關(guān)，研究均為回顧性分析研究，在基因檢測并沒有那么普遍的情況下，想要收集過去病例的基因數(shù)據(jù)極其困難，故只能采用能收集到的人口統(tǒng)計學(xué)和臨床數(shù)據(jù)進(jìn)行研究。隨著基因檢測技術(shù)在臨床的深入推廣，未來開展更多納入基因參數(shù)的前瞻性研究將成為可能。

絕大多數(shù)基于線性回歸構(gòu)建的劑量模型的預(yù)測準(zhǔn)確率為 50%（33.3% ～60.8%），其中非遺傳因素可解釋17% ～22%的劑量差異［26］。原因可能是很多剩余變量還有待發(fā)現(xiàn)，而現(xiàn)有很多變量無法用公式來量化表示，如飲食情況、藥物相互作用等。

3.2 線性模型存在一定的局限性

首先，線性模型對于非線性的因變量結(jié)果往往預(yù)測效果不佳；其次，線性模型對極端值預(yù)測不準(zhǔn)。實際運(yùn)用中，極端劑量的患者用藥風(fēng)險最高。將線性回歸模型應(yīng)用于華法林劑量研究可能并非最佳。ANN技術(shù)能模擬人的大腦對信息進(jìn)行處理和非線型轉(zhuǎn)換，在復(fù)雜的藥動學(xué)和藥效學(xué)研究中更有優(yōu)勢。因此，應(yīng)用ANN技術(shù)預(yù)測華法林的療效和劑量，與線性回歸模型相比，具有一定的優(yōu)越性。但ANN等機(jī)器算法是否更優(yōu)于傳統(tǒng)的線性回歸算法，也存在一定的爭議［27］，目前尚未達(dá)成共識。

3.3 影響ANN技術(shù)應(yīng)用于華法林劑量研究的原因分析

原因之一，是缺乏有效的學(xué)習(xí)算法及新型計算機(jī)的軟硬件支持。20世紀(jì)80年代，Hopfield網(wǎng)絡(luò)模型和BP算法提出后，ANN技術(shù)才迅速發(fā)展起來。如今，已有上100種神經(jīng)網(wǎng)絡(luò)模型及算法來解決實際問題，大量的神經(jīng)網(wǎng)絡(luò)軟件也已被開發(fā)應(yīng)用，如Matlab神經(jīng)網(wǎng)絡(luò)工具箱、NeuroSolutions，Neuroshell，Netset，Casenet等，這也將為ANN技術(shù)應(yīng)用到華法林劑量研究中提供更多支持［28］。

和眾多的線性回歸模型一樣，華法林的ANN劑量模型研究雖然取得了一定進(jìn)展，但離臨床推廣和應(yīng)用還有較大距離。同一劑量模型對不同人群可解釋的劑量差異各不相同，這可能與不同種族間基因分布及相關(guān)非遺傳因素的差異相關(guān)。因此，將更多已被公認(rèn)和華法林劑量相關(guān)的遺傳和非遺傳因素一同列入劑量方程中，開展目標(biāo)人群針對性更強(qiáng)的大樣本、多因素研究并利用更大規(guī)模的臨床試驗去驗證其可靠性，或能建立更加適用的劑量預(yù)測模型，患者獲益更好。

3.4 展望

隨著信息處理技術(shù)和藥物基因組學(xué)研究技術(shù)的飛速發(fā)展及華法林藥物研究的進(jìn)一步深入，更多的影響華法林劑量的遺傳和非遺傳因素將被發(fā)現(xiàn)，相關(guān)研究數(shù)據(jù)將日趨完善，華法林個體化用藥預(yù)測模型的構(gòu)建將步入新時代，ANN技術(shù)的優(yōu)勢也將越來越被充分利用。相信今后將有更多的有價值的華法林人工神經(jīng)網(wǎng)絡(luò)用藥預(yù)測模型被構(gòu)建。