← 返回首頁

提早辨識藥物交互作用風險:Inductive在CYP抑制盲測居首

750個化合物、四種代謝酵素的盲測,為AI協助新藥設計提供了具體驗證。但冠亞軍同屬一個統計表現級距,測試分子也與訓練資料高度相似,成績的適用範圍需要仔細閱讀。

By SURL BioNews

一個候選藥物即使能作用於治療標的,也可能因干擾其他藥物的代謝而受阻。若能在分子設計階段預見這類風險,研究人員便有機會提早調整結構。Inductive於11月6日宣布,在OpenADMET的CYP直接抑制盲測挑戰中取得第一名,為AI能否協助這項工作增添了一份可供檢驗的成績單。

這場挑戰要求參賽者預測750個化合物對CYP3A4、CYP2D6、CYP2C9及CYP1A2四種酵素的直接抑制強度,實測答案在比賽結束前保持隱藏。這些細胞色素P450酵素參與許多小分子藥物的代謝;當其中一種受到抑制,依賴它清除的併用藥物便可能在體內累積,使暴露量升高,甚至增加毒性風險。

主辦方11月5日公布的結果顯示,直接抑制賽道共有271名參與者,最終排行榜納入103份合格參賽項目。Inductive以Whippoorwill名義提交的模型,整體ST-RAE誤差指標為0.341 ± 0.010,Spearman排序相關係數為0.815。不過,第二名的誤差指標為0.343 ± 0.010,兩者被列入同一統計表現級距,因此排名居首並不代表已證明優於第二名。最終名次依完整測試集計算,賽中的即時排行榜則只使用其中一半,參賽項目還須符合模型報告及帳號等資格要求。

這份驗證背後是實驗室量測,而非臨床結果。依主辦方說明,資料由Octant與加州大學舊金山分校Fraser實驗室合作建立,採用生化酵素試驗;三種酵素以螢光訊號讀取反應,CYP2D6則以質譜測量受質消耗。此次獲勝的任務是預測直接抑制效力,與另一條辨識「抑制作用是否隨時間增強」的賽道不同,不能將成績延伸解讀為涵蓋所有CYP交互作用機制。

Inductive的技術報告指出,團隊結合二維與三維圖神經網路,以及使用預訓練分子嵌入表示的TabM網路。三維模型使用分子的低能量構形,並未使用CYP蛋白質結構。訓練資料除了比賽提供的量測,也納入公開與專有的CYP、脂溶性指標LogD及酸鹼解離常數pKa資料。因此,這項結果反映的是模型、資料資源與訓練策略的整體表現,不能單獨歸功於某一種演算法。

測試集的選法也界定了成績的意義。主辦方從三種酵素各挑出25個強效抑制化合物,再為每個購買十個結構相似的分子,組成750個測試化合物,並全部測量四種酵素。Inductive亦在報告中說明,這些分子是75個訓練化合物的近似物,因此特別設計驗證切分方式,模擬這種相似度分布。這貼近藥物化學家持續修改既有分子的情境,卻尚不能回答模型面對陌生化學骨架時是否同樣可靠。

對新藥研發而言,這項盲測支持AI用於安排實驗優先順序、比較相近分子的代謝風險;它沒有證明候選藥物具臨床療效,也不能直接判定患者併用藥物是否安全。從生化抑制強度走到人體交互作用,還須結合實際藥物暴露等證據。主辦方已解盲並公開完整抑制資料集,讓其他團隊能重新分析模型的長處與失誤,也使後續驗證有了共同起點。

References

  1. Inductive Bio
  2. OpenADMET
  3. Inductive
  4. OpenADMET