人工智能与药理学建模相结合优化非洲疟疾和结核病个体化治疗的新策略

《Nature Communications》：Artificial intelligence coupled to pharmacometrics modelling to tailor malaria and tuberculosis treatment in Africa

本研究针对非洲人群遗传多样性导致的药物治疗效果不佳及药物基因组学(PGx)数据匮乏问题，开发了一种结合人工智能(AI)与药理学建模的计算管道。通过机器学习(ML)嵌入技术和大型语言模型(LLM)优先预测与32种疟疾/结核病药物相关的ADME基因，并利用生理药代动力学(PBPK)模型进行敏感性分析及非线性混合效应(NLME)模型进行剂量优化。首次系统性整合AI预测与药理学模型，为非洲人群定制药物治疗方案提供新思路，推动PGx研究在资源有限地区的应用。

　　

非洲大陆拥有全球最丰富的遗传多样性，这种多样性在带来独特生物学特征的同时，也为药物治疗带来了巨大挑战。由于历史上药物研发大多在非洲以外进行，导致针对非洲人群的药物治疗方案往往效果不佳，且缺乏相关的药物基因组学数据。特别是疟疾和结核病这两种传染病，在非洲每年造成超过百万人死亡，但相关药物的药物基因组学研究却严重不足。

在这一背景下，由Gemma Turon、Mwila Mulubwa等研究人员组成的国际团队在《Nature Communications》上发表了最新研究成果，提出了一种结合人工智能与药理学建模的创新方法，旨在解决非洲地区药物基因组学研究数据匮乏的困境，为优化疟疾和结核病治疗方案提供科学依据。

研究人员首先系统性地分析了PharmGKB数据库中现有的药物基因组学数据，发现仅有14.2%的已注释药物是针对传染性疾病的，且这些药物平均拥有的注释数量显著少于非传染性疾病药物。这一发现凸显了在传染性疾病领域加强药物基因组学研究的迫切性。

为了突破数据稀缺的限制，研究团队开发了一套创新的计算管道。该管道核心包含两个关键阶段：首先利用机器学习和大语言模型预测药物-基因关联，随后通过药理学建模验证这些预测的生物学意义并指导剂量优化。

在技术方法上，研究团队整合了多源生物医学数据，包括药物化学特征、基因功能注释、蛋白质互作网络等，通过知识图谱嵌入技术将药物和基因表示为数学向量。基于PharmGKB的已知关联，训练了多个机器学习分类器，用于预测新的药物-基因对。随后利用GPT-4对预测结果进行精细化筛选，最终为每种药物确定前十位最相关的ADME基因。这些预测基因进一步通过PBPK模型进行敏感性分析，并利用NLME模型进行剂量优化模拟。

研究结果部分显示，机器学习模型在交叉验证中表现出色，曲线下面积(AUROC)达到约0.8。对32种疟疾和结核病药物的预测发现了多个新的潜在药物-基因关联，其中许多涉及具有非洲人群特异性变异频率较高的基因，如CYP3A4、CYP2B6和ABCB1等。

通过PBPK敏感性分析，研究人员发现对于所研究的十种药物，均存在至少一个敏感性药效基因，其中CYP3A4、CYP3A5和ABCB1基因在不同药物中频繁出现。值得注意的是，52%的敏感性药物-基因关联在PharmGKB中未被报道，证明了该方法在发现新关联方面的潜力。

以青蒿醚和利福平为例的具体研究表明，整合预测的药效基因后，PBPK模型能够较好地模拟临床药代动力学数据。NLME建模确认了CYP2B6基因多态性是青蒿醚药代动力学的重要协变量，而SLCO1B1基因多态性对利福平的药代动力学有显著影响。蒙特卡洛模拟显示，针对不同基因型人群，需要调整药物剂量以达到最佳治疗效果。

研究结论部分强调，这项工作首次系统性地将人工智能预测与药理学建模相结合，为资源有限环境下药物基因组学研究提供了新范式。尽管存在前瞻性临床验证不足、无法预测特定变异效应等局限性，但该方法为在非洲等遗传多样性丰富地区开展精准医疗奠定了基础。

随着非洲基因组学数据的不断积累，如H3Africa联盟和"All of Us"研究计划的推进，这一计算方法有望变得更加精细和准确。未来，通过整合体外ADME实验数据和更全面的基因组信息，该方法甚至可以在临床试验开始前预测新药的潜在药物基因组学相互作用，从而显著提高药物研发的效率和安全性。

这项研究不仅为优化非洲地区疟疾和结核病治疗提供了具体方案，更重要的是展示了一种在数据稀缺环境下开展精准医学研究的可行路径，对推动全球健康公平具有重要意义。随着计算方法的不断完善和更多数据的纳入，这种人工智能驱动的药物基因组学研究模式有望在更广泛的疾病领域和地区发挥作用。