深度學習模型在中藥毒性預警中的應用和前景

顏彩琴，范睿琦，寧雨坪，郭 憲，王 凱

（1.天津中醫(yī)藥大學中藥學院，天津 301617；2.南開大學人工智能學院，天津 300350）

中藥潛在毒性成分的預警在中藥新藥研發(fā)、安全使用及風險防控決策等方面具有重要意義。目前用于藥物毒性成分預警的方法和手段主要包括實驗方法和計算機預測方法。實驗方法主要是在實驗室中進行動物實驗及體外細胞實驗，耗損率高，周期長，經濟效益低[1]。計算機預測方法是利用機器學習模型直接對藥物毒性進行預測，無需進行大量實驗，經濟效益高[2]。近年來，隨著訓練數(shù)據(jù)的增多，機器學習技術得到快速發(fā)展。

早期用于毒性預警的機器學習方法是將藥物分子進行編碼，然后輸入到傳統(tǒng)機器學習算法架構的模型中，常見的有支持向量機（support vector machine，SVM）模型、隨機森林（random forest，RF）模型、樸素貝葉斯模型、決策樹模型和k-近鄰模型。傳統(tǒng)機器學習模型的優(yōu)點是需要的數(shù)據(jù)量少，模型訓練快，然而其表征能力有限，預測準確度較低[3]。隨著深度學習（deep learning，DL）算法，也稱為深度神經網絡（deep neural network，DNN）的發(fā)展，DL模型逐漸替代傳統(tǒng)機器學習模型用于藥物毒性的預測[4]。與傳統(tǒng)機器學習模型相比，DL模型通過構建多層人工神經網絡（artificial neural network，ANN），從大量的數(shù)據(jù)中自動學習毒性化合物的結構特征，其準確性和可靠性得到極大提升。本文綜述了DL模型基于“結構預警子-毒性”關系預測化合物潛在毒性的機制以及在藥物分子毒性預測和毒理學研究中的具體應用，并提出DL模型在中藥毒性預警中的挑戰(zhàn)和展望，以期借助人工智能技術保障上市中藥臨床應用的安全性。

1 中藥致毒機制及深度學習模型

1.1 “結構預警子-毒性”關系

“結構預警子-毒性”關系是機器學習模型預測化合物毒性的基本依據(jù)之一。通過識別數(shù)據(jù)集中的化合物結構信息，機器學習模型能夠提取出化合物與毒性相關的結構特征，從而預測目標化合物的毒性[5]。

某些基團被認為是許多有毒中藥單體毒性的結構標志，如黃獨素B[6]、補骨脂素[7]和薄荷呋喃[8]中的呋喃環(huán)，千里光堿[9]中的吡咯里西啶，馬錢子堿[10]、吳茱萸堿[11]和吳茱萸次堿[12]中的吲哚環(huán)及小檗紅堿[13]中的喹啉環(huán)等，這些基團被稱為“結構預警子”（structural alert）、毒理團或毒性片段[14]。研究表明，具有“結構預警子”的化合物引發(fā)毒性的關鍵一步是“結構預警子”的氧化反應[15-16]。在肝細胞色素P450酶的催化下，“結構預警子”被氧化形成具有高度親電性的反應性代謝產物（reactive metabolite，RM），這一過程被稱為化合物的“代謝活化”。RM可能與體內重要生物大分子，如蛋白質、酶和DNA的親核基團發(fā)生共價結合，進而引發(fā)一系列的毒性反應。因此，在中藥研發(fā)早期，快速并全面篩查化合物中的“結構預警子”并預測RM的形成是中藥毒理學研究的重要組成部分，對于規(guī)避中藥引發(fā)臨床毒性事件至關重要。

篩查化合物“結構預警子”的實驗室方法，是在肝微粒體孵化體系中加入親核試劑，如谷胱甘肽、N-乙酰半胱氨酸和N-乙酰賴氨酸作為RM的捕獲劑，并借助液質技術，對捕獲劑共價結合RM所形成的穩(wěn)定加合物進行定性，從而間接推斷出RM的結構和原化合物發(fā)生代謝活化的反應中心，即“結構預警子”[17-18]。然而，實驗室方法耗時長且需要昂貴的檢測儀器，并且離不開人工操作，難以在短期內實現(xiàn)大量化合物的檢測。為此，“結構預警子”的概念自1985年被提出后，不同領域的專家將在自然界和合成化合物中發(fā)現(xiàn)的“結構預警子”匯編形成一套“專家系統(tǒng)”，用于直觀、快速地評估化合物的毒性[19]。然而，由于基團之間的相互影響，并非所有具有“結構預警子”的化合物都發(fā)生代謝活化并致毒。所以，只根據(jù)“結構預警子”預測化合物的毒性可能會出現(xiàn)假陽性結果，而且無法評估其毒性強弱[20]。

以DL模型為代表，近年發(fā)展起來的的機器學習模型能夠彌補“專家系統(tǒng)”方法的不足。事實上，兩者結合能獲得更準確的預測結果。一方面，DL模型具有多層神經網絡，能夠綜合分析整個分子結構而非局限于某個毒性基團，從而提取出超越“結構預警子”的高層特征。另一方面，在建立數(shù)據(jù)集時，以“結構預警子”作為輸入特征，能更好地訓練DL模型對隱性特征的提取和組合能力[21-22]。因此，在藥物毒性預測中，與基于統(tǒng)計學的“專家系統(tǒng)”方法相比，基于“結構預警子-毒性”關系的DL模型可能獲得更高的識別率。

1.2 深度學習模型的開發(fā)

在中藥的毒性預測中，DL模型的基本開發(fā)流程如圖1所示。首先是根據(jù)化合物的結構或生物學特征對篩選出的化合物進行分類，然后使用分子描述符將化合物的信息字符化，生成帶毒性標簽的訓練集并輸入到合適的DNN架構中。DL模型通過逐層特征變換自動對化合物的數(shù)據(jù)進行毒性表征，從而擁有預測化合物毒性的能力[23-24]。經過驗證，若模型表現(xiàn)出較佳的性能，則可應用于中藥毒性預警。

圖1 預測中藥毒性成分深度學習（DL）模型的開發(fā)流程[24].

1.2.1 毒性化合物數(shù)據(jù)集的建立

足夠數(shù)量和高質量的數(shù)據(jù)是DL模型性能的保證[24]，如數(shù)據(jù)量少且多樣性低下，則可能導致DL模型泛化不足，對數(shù)據(jù)產生偏向性。表1列舉了常用的毒性化合物數(shù)據(jù)庫。為保證數(shù)據(jù)集的質量，在輸入模型之前，還需對采集的數(shù)據(jù)進行篩選，過濾掉錯誤的以及重疊的數(shù)據(jù)，并對化合物結構進行標準化。

表1 常用毒性化合物數(shù)據(jù)庫

1.2.2 深度學習模型的構建

在模型的構建過程中，一般采用分子描述符將化合物的結構和性質編碼為模型能夠直接識讀和處理的數(shù)字化信息[25]。目前應用于計算機預測的分子描述符數(shù)量達到幾百甚至上千，然而并無一種分子描述符普遍適用于編碼所有化學信息學數(shù)據(jù)[26]。因此，應根據(jù)待解決的毒性預測問題和算法選擇合適的分子描述符。

分子指紋是一種特殊的分子描述符，常見的有擴展聯(lián)通指紋、PubChem分子庫和分子接入系統(tǒng)等[27-29]（表2）。分子指紋能將每一個分子的化學結構簡化成獨特的字串符，用于表征內部子結構或官能團是否存在，便于進行2個相似化合物的比較[30]。

表2 常用分子指紋

當前用于藥物毒性識別與預測的DL模型大體可以分為2類：深度前饋神經網絡模型和深度圖神經網絡模型。在深度前饋神經網絡模型中，常用的深度神經網絡模型是卷積神經網絡（convolutional neural network，CNN）模型和循環(huán)或遞歸神經網絡（recursive or recurrent neural network，RNN）模型。CNN模型是基于圖卷積的分子編碼方式，將輸入的原子水平信息組合為分子水平的信息，尤其擅長由低到高層次的學習，從中提取出與任務最相關的一組特征[31]。在藥物設計與研發(fā)領域，常使用的CNN模型有基于神經網絡的分子指紋模型、基于分子圖卷積（molecular graph convolution，MGC）模型和基于3D結構的MGC模型，目前已被用于預測分子性質和分子間的相互作用[32]。RNN是另一種前饋神經網絡，其單元之間的連接能夠形成環(huán)，該特點使RNN模型能夠捕獲并反映動態(tài)中的短暫行為。RNN模型在醫(yī)學影像學中廣泛用于輔助診斷，近年來也被用于藥動學和藥效學的相關研究[33-34]。無向圖遞歸神經網絡（undirected graph RNN，UGRNN）是RNN的一個新拓展，該方法將分子看作原子和鍵組成的無向圖，依次以每個重原子為根節(jié)點，將其他節(jié)點的信息沿最短路徑向根節(jié)點傳遞，每個根節(jié)點生成一個定長的向量，將所有定長向量相加得到分子水平的表征向量，輸入全連接網絡進行決策[35]。UGRNN模型減少了對分子描述符的依賴，在自動學習中即可得到合適的數(shù)據(jù)表示，已應用于預測化合物水溶性和藥物分子肝毒性，并獲得較高的準確率[36]。

與前饋神經網絡將分子描述符作為輸入不同，圖神經網絡（graph neural network，GNN）模型直接基于圖對分子進行編碼，其中分子中的原子作為圖的節(jié)點，原子與原子之間的鍵作為邊。GNN模型利用圖卷積操作實現(xiàn)信息在節(jié)點間的傳遞、可提取基團等重要信息，在藥物毒性識別和可解釋性方面GNN模型具有明顯優(yōu)勢。另外，GNN又可與CNN、RNN和注意力機制等聯(lián)合使用形成多種深度GNN模型，如圖注意網絡模型、圖卷積網絡模型[37]和多任務圖注意模型[38]等，這些模型在藥物毒性識別中取得當前最好的結果。GNN模型、CNN模型和RNN模型的優(yōu)缺點分析見表3。

表3 圖神經網絡、卷積神經網絡和循環(huán)神經網絡的優(yōu)缺點

1.2.3 深度學習模型的驗證與評估

模型生成后，下一步需對模型的擬合能力、穩(wěn)定性以及預測能力進行驗證與評價。驗證包括內部驗證和外部驗證，分別用于評價模型的穩(wěn)定性和模型的預測能力[37]。內部驗證通過多次迭代和對測試集上的性能進行平均，可以減小隨機分割數(shù)據(jù)集帶來的偶然因素的影響，常見的方法是蒙特卡羅交叉驗證[39]和 k折交叉驗證[40]。外部驗證使用獨立于訓練集的數(shù)據(jù)測試模型的泛化性，并檢查是否出現(xiàn)“過擬合”問題[41]。

在模型性能評價中，常使用的指標包括靈敏性（sensitivity，SE）、特異性（specificity，SP）、準確性（accuracy，ACC）、精確率（precision，P）、ROC曲線下面積（area under the receiver operating characteristic curve，AUC）和 PR 曲線下面積（area under the precision recall curve，AUPR）[42]。在DL模型對藥物毒性的預測結果中，SE即真陽性率，指所有毒性化合物中被正確預測為陽性的比例；SP即真陰性率，指所有無毒化合物中被正確地預測為陰性的比例；ACC即被正確預測為有毒的陽性化合物和被正確預測為無毒的陰性化合物占所有化合物的比例，準確率越高，模型越好；P為真毒性化合物數(shù)量占陽性結果數(shù)量的比例。

另外，ROC曲線是以假陽性率為橫軸，SE為縱軸繪制的曲線。AUC值指隨機給定一個有毒性化合物和一個無毒性化合物，模型輸出有毒性化合物為陽性的概率值比輸出無毒性化合物為陰性的概率值大的可能性。當AUC=0.5時，真陽性率和假陽性率相等，相當于隨機猜測，AUC趨于1，即ROC曲線越靠近左上方時，模型的預測性能越好。與ROC曲線不同的是，PR曲線是以SE為橫軸，以P為縱軸繪制的曲線。PR曲線越靠近右上方，表示模型的預測性能越好。

2 深度學習模型在藥物毒性預測和毒理學研究中的應用

基于化學結構與毒性的關系，一般是使用已知的陽性化合物和陰性化合物的結構信息作為數(shù)據(jù)集進行模型訓練和驗證，使模型能夠識別毒性化合物的結構特征。目前，DL模型已作為藥物毒理學研究的工具，被用于解決藥物分子及其代謝產物的毒性預測問題。然而，在藥物毒理學研究中，除篩查出更多有潛在危害性的藥物分子，還需進一步明確其致毒的生物學靶標和機制。因此，最近研發(fā)的DL模型同時把化學結構信息和生物學數(shù)據(jù)輸入到模型中，使模型通過深度挖掘毒性藥物分子的化學生物學數(shù)據(jù)以發(fā)現(xiàn)新的規(guī)律[43]。

2.1 預測藥物分子的毒性

Xu等[36]使用NCTR數(shù)據(jù)集、Greene數(shù)據(jù)集、Xu數(shù)據(jù)集以及一個混合數(shù)據(jù)集的2788個化合物數(shù)據(jù)作為訓練集，利用UGRNN分子編碼方法構建藥物肝損傷預測模型。在外部驗證中，該模型的各性能指標均高于淺層神經網絡架構的模型。2018年，Ambe等[44]針對肝細胞增生，在ORAD數(shù)據(jù)集、HESS數(shù)據(jù)集和一個混合數(shù)據(jù)集中比較3種機器學習算法，DNN，SVM，與RF預測化合物肝毒性的表現(xiàn)。經過驗證，使用數(shù)據(jù)量較小的HESS數(shù)據(jù)集和SVM算法構建的模型獲得最佳的預測性能。由此可見，在實際應用中，DL模型并不總是優(yōu)于傳統(tǒng)機器學習模型，這可能與數(shù)據(jù)集的大小有關。一般而言，傳統(tǒng)機器學習模型適合處理規(guī)模較小的數(shù)據(jù)集，DL模型則在分析多且復雜的數(shù)據(jù)中顯示出杰出的優(yōu)勢[45]。

類似地，基于化學結構的方法，Hua等[20]針對藥物分子的血液毒性，使用從SIDER數(shù)據(jù)庫、ChemIDplus數(shù)據(jù)庫以及文獻數(shù)據(jù)中篩選出的632個陽性化合物和1525個陰性化合物作為數(shù)據(jù)集，在未采用分子描述符的情況下直接將整個分子輸入算法中，構建了預測藥物分子血液毒性的CNN模型。在外部驗證中，該模型ACC為76%，AUC為64%，SP為81%。由此可見，相較于傳統(tǒng)機器學習模型，DL模型的另一個優(yōu)勢在于不依賴分子描述符編碼，能將原始的輸入信息進行轉換。

2021年，Kumar等[46]使用從現(xiàn)有文獻中篩選出的4053種化合物作為數(shù)據(jù)集，比較DNN，SVM，RF和k-近鄰幾種算法建立的模型在預測藥物分子致突變性中的表現(xiàn)。通過測試，DNN模型在測試集和驗證集中均獲得最高的ACC，分別為95.0%和83.8%。表4總結了近年來用于藥物毒性預測的DL模型。根據(jù)模型在外部驗證集的ACC和AUC針對不同的藥物毒性預測問題，DL模型均具有較高的預測能力。

表4 深度學習模型預測藥物不同毒性終點的性能

2.2 預測毒性反應性代謝產物的形成

2017年，Hughes等[47]首次構建出預測化合物經代謝活化形成醌類RM的CNN模型。他們在CNN架構中設置了1個輸入層，3個隱藏層及3個輸出層。隱藏層從低到高分別為原子層、原子對層、分子層，代表了藥物分子在3個水平上形成醌類RM的能力。該CNN模型通過在0～1的范圍內給每一層打分，以識別出化合物最有可能發(fā)生代謝活化的位點，并且綜合評估化合物分子形成醌類RM的能力。在最近的一項研究中，Wang等[48]使用DL算法構建出預測藥物分子的代謝反應類型及其潛在危害性代謝產物的機器學習模型。在藥物毒理學的體內、體外研究中，DL模型能結合分子背景，較全面、準確、快速地預測出化合物經過轉化形成毒性代謝產物而致毒的可能性，減少了實驗的次數(shù)和周期。

2.3 預測藥物分子致毒的生物學靶標

生物學數(shù)據(jù)集與DL模型結合的優(yōu)勢，一方面在于生物學數(shù)據(jù)涵蓋從單個基因表達到多個基因富集通路上的分子水平信息，可以為模型提供成千上萬的輸入變量，DL模型通過增加隱藏層的數(shù)目能在同一時間對輸入的變量進行學習，從而提高特征泛化能力；另一方面，在訓練集中增加毒性相關基因和途徑的生物學信息，利用DL模型的特征識別和提取能力，有助于發(fā)現(xiàn)藥物分子致毒的生物學靶點和機制[43]。Wang等[49]針對膽管增生、肝纖維化和肝壞死3個肝毒性終端，使用DrugMatrix和OpenTG-GATEs數(shù)據(jù)庫的9876個樣本的毒理基因組學數(shù)據(jù)作為數(shù)據(jù)集，建立了預測肝毒性的DNN模型。該模型具有多個隱藏層，并且輸入端和隱藏層均包含多個神經元，通過多次非線性轉換可學習到更加復雜和抽象的特征。結果顯示，在3種毒性終點基因和相關通路的識別中，與SVM和RF相比，采用DNN建立的模型顯示出更好的穩(wěn)定性和特異性。

3 深度學習模型在中藥毒性預警中的挑戰(zhàn)和展望

DL模型將有可能成為解決中藥毒性預測這一難題的最優(yōu)選擇。目前，DL模型在中藥研發(fā)領域方興未艾，但同時面臨一些瓶頸問題。

3.1 中藥單體的毒性數(shù)據(jù)較少

DL模型要在中藥成分的毒理學研究中發(fā)揮巨大效用，建立高質量的數(shù)據(jù)集是首要前提[50-51]。有研究表明，與僅由西藥化合物構成的數(shù)據(jù)集訓練出的模型相比，中藥成分參與構成的混合數(shù)據(jù)庫完善了訓練集的化學結構空間，并有效降低機器學習模型的預測偏好性，提高了結果的準確性，因而更適用于中藥成分的安全性評價[52]。然而，目前對于中藥中具有潛在毒性的單體成分的研究相對較少，在國內外公共藥物數(shù)據(jù)庫中，中藥單體的毒理學數(shù)據(jù)更是寥寥無幾[53]。用于訓練的毒理學數(shù)據(jù)有限，有可能使得DL模型在學習過程中泛化不全面，所學習到的毒性團僅限于數(shù)據(jù)集中的化合物。另外，通過文獻檢索得到的中藥單體數(shù)據(jù)質量往往參差不齊。很多文獻報道的因服用中藥而引發(fā)的臨床毒性事件中，無法排除醫(yī)生辨證用藥正確與否、患者是否誤用濫用以及有無基礎疾病等因素的影響，因此難以對檢索到的中藥單體進行正確的標記與分類[54]。

為獲得高質量的數(shù)據(jù)集，建模前需要毒理學專家結合臨床使用劑量和機體的復雜性進行全面分析，對數(shù)據(jù)進行嚴格的篩選、標注和分類。最根本的是要重視具有潛在毒性的中藥單體“結構預警子”方面的深入研究，不斷積累相關的實驗數(shù)據(jù)，從源頭上解決中藥單體毒理學數(shù)據(jù)較少的問題。

3.2 深度學習模型的黑箱問題

由于DL架構過程是端到端，由輸入端到輸出端的因果關系的可解釋性是DL模型落地于中藥毒性預測必需的“通行證”[55-56]。為此，可以從2方面完善DL模型的可解釋性。一方面，從預測原理方面入手，結合“結構預警子-毒性”關系和生物學致毒機制解釋模型的決策依據(jù)，提高預測結果的可信度；另一方面，從模型的架構入手，通過調試函數(shù)對模型的架構造成微小的擾動，以確定不同變量對模型的影響，便于理解模型的行為和改進模型[57-58]。

3.3 深度學習模型在中藥毒性預警中的展望

借助于集成式建模軟件，如ADMET Predictor和Virtual Tox Lab，機器學習模型已投入到中藥毒理學研究并展現(xiàn)出良好的預測性能[59-60]。如李雅秋等[60]針對心臟毒性使用ToxRefDB數(shù)據(jù)庫和SIDER數(shù)據(jù)庫中1109個陽性化合物和789個陰性化合物作為訓練集，另外使用29種已知毒性的中藥成分組成外部驗證集，并采用ADMET Predictor軟件中自帶的SVM和ANN算法模塊構建模型。在外部驗證集中，ANN模型預測的SE為95%，SP為60%，ACC為83%，明顯優(yōu)于SVM模型。

He等[61]使用由檢索科學出版物得到的296個肝毒性中藥成分和584個無肝毒性中藥成分以及公開的CTD數(shù)據(jù)庫組成的數(shù)據(jù)集，利用多種傳統(tǒng)機器學習算法和分子描述符構建了數(shù)個基本分類器，將其中預測性能最佳的基本分類器進行組合，建立了一款預測中藥肝毒性的模型。經檢驗，該組合型預測模型在交叉驗證和外部驗證中均表現(xiàn)出優(yōu)于單個分類器的預測性能。值得一提的是，雖然組合式學習能夠通過增加基本分類器的數(shù)目提高傳統(tǒng)機器學習算法處理復雜數(shù)據(jù)的能力，但各基本分類器的預測性能不一，組合后不一定能獲得優(yōu)勢互補的效果。迄今為止，DL模型在中藥成分毒性評價中的應用還比較少。

總體來看，傳統(tǒng)機器學習模型高度依賴人工設計的輸入特征，普適性低且易出現(xiàn)“過擬合”；DL模型處理分析大數(shù)據(jù)和復雜數(shù)據(jù)更勝一籌。針對中藥多組分、多靶標的特點，DL模型有能力深度挖掘出中藥毒性成分的結構和生物學特征。若在中藥研發(fā)早期利用DL模型實現(xiàn)高效、快速的風險預警，既能把毒性大的中藥成分及時剔除，也能為具有潛在危害性的藥物候選分子的結構優(yōu)化提供理論指導[20]。

4 結語

中藥成分復雜，篩查具有潛在毒性的中藥成分并揭示其致毒機制是當前亟待解決的難題。在藥物的毒性評價中，與耗損率高、周期長的實驗室方法相比，DL模型幾乎不需要成本、人力和物力，即可快速、準確地給出預測結果。與傳統(tǒng)機器學習模型相比，DL模型在處理和分析復雜體系的信息上更具優(yōu)勢。雖然目前在數(shù)據(jù)來源和模型可解釋性方面仍有不足，但DL模型在中藥毒性預警中的廣闊應用前景不可否認。隨著DL模型的不斷優(yōu)化以及更多潛在毒性中藥成分被揭示和積累成規(guī)范的數(shù)據(jù)庫，相信在不久后，DL模型將突破現(xiàn)有的瓶頸，成為新一代預測中藥潛在毒性的杰出工具。