X-DILiver：一种用于预测药物性肝损伤的集成学习框架

《Scientific Reports》：X-DILiver: an ensemble learning framework for predicting drug-induced liver injury

　　

摘要

药物性肝损伤是导致药物研发失败的主要原因之一，与1000多种药物相关，占因毒性问题而撤回市售药物的32%。这一状况使得在药物研发早期就能准确预测药物性肝损伤风险的高精度计算方法变得极为重要。我们基于目前规模最大的药物性肝损伤标注数据集，开发出了X-DILiver这一预测框架。通过数据增强技术提升了模型的稳定性，并解决了类别不平衡问题。该框架整合了312种基于不同算法和分子特征构建的机器学习模型，还采用了优化的集成策略。最终形成的模型是由两种极端梯度提升模型和七种循环神经网络构成的集成系统。在经过Tanimoto筛选的外部测试数据集上，该模型的准确率为0.64，马修斯相关系数为0.33；在基于药物结构独特性的外部测试数据集上，其准确率和马修斯相关系数分别为0.64和0.38，这些性能指标均优于其他所有公开的药物性肝损伤预测模型。尽管这些改进相当显著，但这一准确率仍反映出药物性肝损伤预测领域仍存在的诸多挑战。X-DILiver是一项具有重要价值的创新成果，它能够在药物发现过程中协助进行药物性肝损伤风险评估，作为预测药物潜在风险的可靠工具，从而加快药物研发进程并提升其安全性。为便于更多人使用，X-DILiver可通过http://xdiliver.lile.bio获取。