运用人工智能准确预测抗癌药物的最佳配搭组合

2021年12月02日

由香港城市大学（香港城大）学者领导的一个研究团队，设计出崭新的人工智能框架，能有效预测不同抗癌药物组合所产生的协同药效和毒性。研究成果揭示了运用人工智能和机器学习来找出癌症和其它复杂疾病的有效疗程组合的应用潜能。

研究团队由香港城大数据科学学院（SDS）副教授张清鹏博士领导。研究成果已于学术期刊Journal of the American Medical Informatics Association (JAMIA)上发表，题为〈GraphSynergy: a network-inspired deep learning model for anticancer drug combination prediction〉。

结合人工智能与抗癌疗程为癌症药物研发开拓新方向

现时治疗癌症、艾滋病等复杂疾病，医生通常会处方多种药物，以达致最佳疗效，但要找出最佳的抗癌药物组合或联合用药方案，就需要建基于临床经验和专业判断。近年人工智能和数据科学急速发展，在研发新药及设计疗程两方面都能助科研人员一臂之力，提供了分析大量复杂临床及生物数据的快捷方式。

数据科学学者张博士，带领其研究团队首次涉足癌症药物发现领域，最近成功设计出命名为“Graph Convolutional Network for Drug Synergy”（GraphSynergy）的崭新人工智能化疗药物药效预测框架。这套以深度学习为基础的人工智能算法，透过分析蛋白质交互作用网络（protein-protein interaction network）中，药物所针对的蛋白质模块（protein modules）与特定癌细胞株（cancer cell line）有关连的蛋白质模块之间的关系，以及蛋白质模块彼此间的关系等数据，预测出不同抗癌药物对特定癌细胞株所产生的协同药效，并评估药物的毒性。

分析蛋白质交互作用网络预测不同药物组合的成效

张博士解释，人体结构复杂，细胞内的蛋白质有着无数的相互作用，形成一个关系千丝万缕的蛋白质交互作用网络。癌细胞一般与多种蛋白质有关联，这些蛋白质在蛋白质交互作用网络中，彼此各有直接或间接的关系。他说：“如何联合不同药物去治疗癌症极为复杂，因此我们可以借助人工智能分析当中药物或癌细胞所针对的特定蛋白质，以及蛋白质之间的关系等等，从而更准确地预测不同药物组合的成效。”

张博士强调，GraphSynergy的预测并非只建基于分析药物或癌细胞所直接针对的蛋白质，而是同时检视蛋白质之间的关系，因而判断出较准确的预测，并找出能产生协同药效而毒性较低的抗癌药物最佳配搭组合。

他表示团队把GraphSynergy与传统预测模型，以及近来发布的药物组合预测算法，例如DeepSynergy等作比较，发现GraphSynergy的预测表现更胜一筹，能准确识别出具高药效同时低毒性的药物组合。

Pivotal proteins identified — GraphSynergy能找出关键蛋白质，以便研发有效的抗癌药物。图中有数字的圆点代表癌细胞株（cell line），而没有数字的圆点代表药物。此图除了显示蛋白质之间的闗系，亦显示蛋白质与药物及癌细胞彼此之间的交互关系。（DOI number: 10.1093/jamia/ocab162）

为了验证GraphSynergy的预测，团队将临床上已知有效的药物组合数据运用GraphSynergy作运算，同样得出该组合为有效的预测。验证结果又发现，虽然根据公开的药物筛选数据库的资料，有一组药物组合效能不大，但GraphSynergy的推算结果却预测有效。于是团队进行文献分析，发现最新的临床试验证实了该药物组合的有效性。张博士认为这进一步说明了人工智能算法的前瞻性和预测能力。

张博士再补充，GraphSynergy能同时识别出使癌症药物发挥效力的关键蛋白质，这对科研人员理解药效的预测，以及日后研发新药物非常重要。

用研究意念成立初创获HK Tech 300及香港科技园公司培育