基于深度学习技术的药物副作用预测文献综述

一、文献综述

药物是用以预防、治疗及诊断疾病的物质[1]。它是维护人类生命健康的物质，所以药物研究关乎人类的幸福。但是，药物作为治疗疾病的物质，往往不能达到人们所希望的治疗效果，并且在针对病灶的同时带来一些对机体的其他影响药物副作用。药物副作用是指应用治疗量的药物后所出现的治疗目的以外的药理作用[2][3]。这些影响包括对机体有积极作用的副作用，以及对机体有害甚至产生危及生命的不良反应。美国的一项研究表明，严重的药物副作用是引起人类死亡的第四大原因,每年会引起1,000,000人死亡[3]。所以药物副作用的研究至关重要，涉及每个人的生活质量，关乎人类健康。

传统的药物副作用研究主要依靠生物化学实验和细胞毒性实验，以及药品上市之后的副作用报告，不仅周期长，效率低，而且花费高。在现如今的医疗生活中，更加重视尽早发现尽早治疗的理念，因此在副作用研究中对高效预测方法的诉求更加迫切。近些年来，随着全世界对大数据技术的高度重视，科研领域热浪翻滚，推动信息技术行业迅速发展。机器学习在传统研究成果的基础上不断创新，深度学习便应运而生，应用于各个行业各个领域对数据分析的研究。其中，尤其是深度学习（Deep Learning），成为机器学习研究历史上的第二次浪潮，深度学习通过把低级特征组合为高级特征[1]，以发现数据的分布式特征表示[2]。此外 来昆等人提出的卷积神经网络( CNN) 是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高 BP性能[9]。

现阶段科研界对于药物副作用的预测研究主要集中在如下方面:一、利用药物作用的靶点来预测药物副作用；二、基于药物的化学结构预测药物副作用；三、利用数据挖掘技术从文献库中挖掘药物和副作用的关系来丰富和完善现有的数据库。也有研究通过整合来自不同数据库中的数据，形成副作用与疾病、基因、症状等关系数据，建立基于基因的疾病网络，基于副作用的疾病网络，以及基于症状的疾病网络等；还有最新研究提出了一种名为线性邻域相似性的药物 - 药物相似性的新方法，该方法在药物特征空间中通过探索线性邻域关系进行计算。 然后，将相似度从特征空间转移到副作用空间，并通过基于相似度的图形传播已知副作用信息来预测药物副作用。 在基于线性邻域相似性的统一框架下提出了LNSM方法来预测新药的副作用，并提出了用LNSM-MSE方法来预测已批准上市药物中未曾观察到的副作用。以上副作用研究主要基于统计方法以及普通的机器学习模型，而利用深度学习技术预测副作用模型鲜有报道。

现今，深度学习技术在药物研发领域的应用已初显成效，但在预测副作用上研究还不成熟。由于传统药物副作用研究仍存在很多缺陷，并且已开发出具有抽象处理能力的适合大数据分析的深度学习算法。因此，本论文希望通过深度学习的高通量、高效率等优点来弥补传统研究方法的缺陷。本文拟利用深度学习技术，基于收集的药物副作用数据建立深度学习模型，一方面服务于医药研发的新药筛选，另一方面为公众和医生提供用药的安全支持。

二、拟研究、解决的问题及意义

传统药物副作用研究存在很多缺陷，深度学习算法非常适合于大数据分析的机器学习算法，课题希望通过深度学习的高通量高效率的优点来弥补传统研究方法的缺陷。使用深度学习技术,基于收集的药物副作用数据建立深度学习模型，提高副作用预测效率。

1）研究深度学习CNN、DNN模型的架构及适用情况

2）研究利用深度学习的非监督学习进行化合物的特征提取

3）建立基于Deep Learning的副作用预测的模型