AI预测药物新适应证和癌症药物反应，商汤科技提出新思路
2021-08-10 13:41:28 作者：佚名
商汤科技日前公布以原创AI技术赋能新药研发和精准医学的四项最新重磅研究成果，覆盖从药物发现、临床前研究、临床试验、新药上市后等多个药物研发环节，旨在通过AI加速新药研究和上市流程，缩短新药研发周期、降低药品研发成本、提高新药研发成功率。
目前，相关成果已发表在《自然精准肿瘤学》（Nature Precision Oncology）、《生物信息学》（Bioinformatics）、国际人工智能联合会议（IJCAI）等国际顶尖期刊及会议上，同时开源相关代码，面向医药行业的技术创新与基础研究分享前沿技术突破与创新思路。
同时，商汤科技已与国内外多家顶级药企、基因检测公司建立商业合作，共同利用AI技术加速新药、基因研发，加快成果转化。
药物发现：辅助药物作用靶点定位
药物发现是新药创新的源头，而确定靶点又是药物发现的开端。基于蛋白质相互作用（protein-protein interactions，简称PPI）构建蛋白关系网络，可以帮助分析疾病发生时的分子作用机制，从而帮助研究人员发现和理解药物作用靶点，推动新药研发。
但以实验研究为主的传统PPI研究方法不仅耗时长，且难以有效分析PPI的具体分类。通过计算机模拟虽然可以快速为实验室研究提供候选PPI、加速实验效率，但是现有方法在遇到训练集中未包含的蛋白数据时仍会出现性能损失，不能很好泛化到未知的蛋白及PPI。
商汤智慧健康团队提出一种新的衡量指标，通过新的数据划分方式，有效衡量模型在跨数据集、未知蛋白上的性能效果；同时还训练了一套能够学习蛋白间关联关系的GNN（图神经网络）模型，实现更稳定的跨数据集表现，从而实现在未知PPI预测上的更优性能。
在行业通用的公开数据集上进行的跨数据集实验中，商汤提出的新方法比现有方法的预测精度提高了36%。这两大创新方案可以在新药研发过程中，更好帮助药物作用靶点的发现、理解和选择。
新药研发的临床前实验阶段，对目标疾病的药物反应进行准确预测是最重要、也最具挑战的任务，尤其是在癌症治疗领域。
临床前的实验主要涉及使用计算模型和相关细胞组织在实验室环境下的各项分析测试，为后续的人体临床试验垫定基础。
近年来，基于细胞系的癌症药物反应研究快速发展，但传统计算模型仍不能有效抓取药物的化学结构特征，并充分整合多种组学信息，限制了药物反应预测准确率的进一步提升。
商汤智慧健康团队提出一种全新的混合图卷积网络模型DeepCDR，可自动挖掘和建立药物化学结构特征，并高效处理细胞系里的基因组学、转录组学、表观基因组学等多元组学数据，实现对抗癌药物反应的精准预测。
在覆盖238种药物和561种细胞系的公开数据集上，该模型将预测精度指标（皮尔森相关系数）从0.780提升到了0.923，为抗癌药物临床前的实验室环境下测试药物敏感性以及寻找肿瘤中调节药物反应的新基因等提供更加精准高效的研究工具。
随着精准医疗技术的不断发展，针对某种癌症亚型或特定基因突变进行个性化治疗的靶向药物逐渐成为癌症药物治疗的主要手段。新抗癌药物的研发也大都集中在这一领域。
目前，为了确定患者所患的具体癌症亚型，需要对患者的病灶组织进行基因测序，通过不同的基因突变情况进行分类，检测成本十分昂贵。
商汤智慧医疗团队提出一种全新思路，利用深度学习技术挖掘数字病理图像中的细胞特征信息，从而判断组织的基因突变类别和相关生物信号通路信息。
利用这一方法，商汤智慧医疗团队成功预测了肺癌、乳腺癌、肝癌中的多个重要基因突变特征，其中最好的预测性能指标（AUC）达到0.852。
这一项研究为确定患者癌症亚型提供了新的思路和方法，未来可能将大幅度降低确定癌症亚型成本，造福癌症患者。
鉴于新药研发超长的研发周期和巨大的投入，上市后的老药新用可以基于已知的化合物信息，以较低的成本和较短的周期进入临床。想要实现“老药新用”，就需要充分挖掘药物、疾病、蛋白之间的多维关系，才能为预测新适应证提供更可靠的分析。
商汤智慧健康团队创新训练了一套覆盖药物、疾病、蛋白多个领域间相互作用复杂关系的大规模GCN网络模型，无需人工干预，可自主学习各关键信息间关系，自动化地对未知药物适应证进行精准预测。
在公开的repoDB小分子药物重定向的数据集上，此方法的预测结果比目前使用机器学习方法取得最好成绩的性能指标（AUC）提升了8%（0.792→0.857）。
目前，相关成果已发表在《自然精准肿瘤学》（Nature Precision Oncology）、《生物信息学》（Bioinformatics）、国际人工智能联合会议（IJCAI）等国际顶尖期刊及会议上，同时开源相关代码，面向医药行业的技术创新与基础研究分享前沿技术突破与创新思路。
同时，商汤科技已与国内外多家顶级药企、基因检测公司建立商业合作，共同利用AI技术加速新药、基因研发，加快成果转化。
药物发现：辅助药物作用靶点定位
药物发现是新药创新的源头，而确定靶点又是药物发现的开端。基于蛋白质相互作用（protein-protein interactions，简称PPI）构建蛋白关系网络，可以帮助分析疾病发生时的分子作用机制，从而帮助研究人员发现和理解药物作用靶点，推动新药研发。
但以实验研究为主的传统PPI研究方法不仅耗时长，且难以有效分析PPI的具体分类。通过计算机模拟虽然可以快速为实验室研究提供候选PPI、加速实验效率，但是现有方法在遇到训练集中未包含的蛋白数据时仍会出现性能损失，不能很好泛化到未知的蛋白及PPI。
商汤智慧健康团队提出一种新的衡量指标，通过新的数据划分方式，有效衡量模型在跨数据集、未知蛋白上的性能效果；同时还训练了一套能够学习蛋白间关联关系的GNN（图神经网络）模型，实现更稳定的跨数据集表现，从而实现在未知PPI预测上的更优性能。
在行业通用的公开数据集上进行的跨数据集实验中，商汤提出的新方法比现有方法的预测精度提高了36%。这两大创新方案可以在新药研发过程中，更好帮助药物作用靶点的发现、理解和选择。
高鲁棒性的基于GNN的PPI分析框架
临床前研究：精准预测癌症药物反应新药研发的临床前实验阶段，对目标疾病的药物反应进行准确预测是最重要、也最具挑战的任务，尤其是在癌症治疗领域。
临床前的实验主要涉及使用计算模型和相关细胞组织在实验室环境下的各项分析测试，为后续的人体临床试验垫定基础。
近年来，基于细胞系的癌症药物反应研究快速发展，但传统计算模型仍不能有效抓取药物的化学结构特征，并充分整合多种组学信息，限制了药物反应预测准确率的进一步提升。
商汤智慧健康团队提出一种全新的混合图卷积网络模型DeepCDR，可自动挖掘和建立药物化学结构特征，并高效处理细胞系里的基因组学、转录组学、表观基因组学等多元组学数据，实现对抗癌药物反应的精准预测。
在覆盖238种药物和561种细胞系的公开数据集上，该模型将预测精度指标（皮尔森相关系数）从0.780提升到了0.923，为抗癌药物临床前的实验室环境下测试药物敏感性以及寻找肿瘤中调节药物反应的新基因等提供更加精准高效的研究工具。
基于混合图卷积网络的基因多组学和药物化合物在癌症药物疗效评估分析
临床研究：为降低癌症亚型评估成本提供全新思路随着精准医疗技术的不断发展，针对某种癌症亚型或特定基因突变进行个性化治疗的靶向药物逐渐成为癌症药物治疗的主要手段。新抗癌药物的研发也大都集中在这一领域。
目前，为了确定患者所患的具体癌症亚型，需要对患者的病灶组织进行基因测序，通过不同的基因突变情况进行分类，检测成本十分昂贵。
商汤智慧医疗团队提出一种全新思路，利用深度学习技术挖掘数字病理图像中的细胞特征信息，从而判断组织的基因突变类别和相关生物信号通路信息。
利用这一方法，商汤智慧医疗团队成功预测了肺癌、乳腺癌、肝癌中的多个重要基因突变特征，其中最好的预测性能指标（AUC）达到0.852。
这一项研究为确定患者癌症亚型提供了新的思路和方法，未来可能将大幅度降低确定癌症亚型成本，造福癌症患者。
基于病理细胞图像的TP53基因突变预测
新药上市后：AI预测药物新适应证鉴于新药研发超长的研发周期和巨大的投入，上市后的老药新用可以基于已知的化合物信息，以较低的成本和较短的周期进入临床。想要实现“老药新用”，就需要充分挖掘药物、疾病、蛋白之间的多维关系，才能为预测新适应证提供更可靠的分析。
商汤智慧健康团队创新训练了一套覆盖药物、疾病、蛋白多个领域间相互作用复杂关系的大规模GCN网络模型，无需人工干预，可自主学习各关键信息间关系，自动化地对未知药物适应证进行精准预测。
在公开的repoDB小分子药物重定向的数据集上，此方法的预测结果比目前使用机器学习方法取得最好成绩的性能指标（AUC）提升了8%（0.792→0.857）。
基于药物、蛋白、疾病关系建模的药物重定向分析框架
目前，利用这项研究结果预测出的某种上市的心脏疾病药物对于乳腺癌治疗的潜在有效性，已经被临床文献所证实，未来有望助力更高效的药物新适应证筛选过程，推动老药新用的临床进展。(本文来自澎湃新闻，更多原创资讯请下载“澎湃新闻”APP)
