根据疾病预防控制中心(CDC)的估计，仅上个月，就有23%的人服用了两种或两种以上处方药 。此外，年龄在65岁以上的人中有39%的人需要五岁或以上，在过去的几十年中，这个数字增长了三倍。如果这不足为奇，请尝试以下一种方法：在许多情况下，医生不知道在患者的个人药房中添加另一种药物可能会带来什么副作用。

问题在于，目前在制药市场上有如此多的药物，“几乎不可能将一种新药与所有其他药物一起进行测试，因为仅一种药物就可以进行五千个新实验，” Marinka Zitnik说道。计算机科学博士后。她说，有了一些新药组合，“我们真的不知道会发生什么。”

但是计算机科学也许可以提供帮助。在 芝加哥国际计算生物学学会会议上发表的 一篇论文中。Zitnik及其同事，硕士生Monica Agrawal和 计算机科学副教授Jure Leskovec描述了一种人工智能系统，用于预测而不是简单地跟踪药物组合的潜在副作用。这个叫做Decagon的系统可以帮助医生更好地决定开哪种药，并帮助研究人员找到更好的药物组合来治疗复杂的疾病。

组合太多

一旦以更加用户友好的形式提供给医生，Decagon的预测将是对现在可用药物的改进，这基本上是偶然的-病人服用一种药物，开始服用另一种药物，然后发展为头痛或更糟。市场上大约有1,000种已知的副作用和5,000种药物，因此所有可能的药物对之间可能产生的副作用约为1,250亿。其中大多数从来没有一起规定过，更不用说系统地研究了。

Zitnik，Agrawal和Leskovec意识到他们可以通过研究药物如何影响体内潜在的细胞机制来解决这个问题。他们组成了一个庞大的网络，描述我们体内超过19,000种蛋白质如何相互作用，以及不同的药物如何影响这些蛋白质。研究小组使用了超过400万种已知的药物与副作用之间的关联，然后设计了一种方法，该方法可以根据药物靶向不同蛋白质的方式来识别副作用的产生方式。

为此，团队转向了深度学习，这是一种仿照大脑的人工智能。本质上，深度学习研究复杂的数据，并从中提取抽象的，有时是违反直觉的模式。在这种情况下，研究人员设计了自己的系统，以推断出有关药物相互作用副作用的模式，并预测将两种药物合用之前未见的后果。

仅仅因为Decagon发现了一个模式并不一定会使它真实，所以该小组希望了解其预测是否成立。在许多情况下，他们确实做到了。例如，研究小组的数据中没有迹象表明，阿托伐他汀(一种胆固醇药物)和氨氯匹定(一种血压药物)的组合可能导致肌肉发炎。迪卡贡预言会这样， 这是正确的。尽管它没有出现在原始数据中，但2017年的病例报告表明这种药物组合导致了一种危险的肌肉炎症。

该示例在其他情况下也同样适用。当他们在医学文献中搜索Decagon预测的10种副作用的证据，但未在原始数据中找到证据时，研究小组成员发现，十分之十的副作用最近得到了证实，这进一步证明了Decagon的预测是可信的。

“令人惊讶的是，蛋白质相互作用网络揭示了如此多的药物副作用，” Leskovec说，他是 Stanford Bio-X， Stanford Neurosciences Institute 和Chan Zuckerberg Biohub的成员。

目前，Decagon仅考虑与成对药物相关的副作用。Leskovec说，该团队成员希望在将来将其研究结果扩展到更复杂的治疗方案。他们还希望创建一种更加用户友好的工具，以向医生提供指导，以便向特定患者开出特定药物是否是个好主意，并帮助研究人员开发针对副作用较小的复杂疾病的药物治疗方案。

Leskovec说：“如今，药物副作用基本上是偶然发现的，我们的方法有可能导致更有效，更安全的医疗保健。”