SMDIP：机器学习驱动的药物不良互作预测框架

"SMDIP是一个基于相似性的机器学习框架，用于预测药物间的不良相互作用，旨在提高药物警戒信号的预测精度。该框架利用DrugBank数据库中的药物信息，包括DDI、靶标、酶、转运蛋白和载体，通过Russell-Rao测量方法计算药物之间的相似性。采用逻辑回归进行DDI分类，并在选定的关键特性上应用多种机器学习模型。研究表明，SMDIP具有较高的预测性能，如AUC76%，精确度82%，准确度79%，召回率62%，特异性90%，F-测量78%。此外，SMDIP在预测丙型肝炎直接作用抗病毒药物的DDI方面表现出一致性，且得到药物警戒文献的验证。" 本文详细介绍了用于预测药物间不良互作的机器学习框架SMDIP，它在药物警戒和药物开发中具有重要应用价值。DDI是导致药物失效和市场撤回的主要因素之一，占非预期临床药物不良事件的相当比例。因此，开发有效的预测工具对于保障患者安全至关重要。 SMDIP的核心在于结合药物的生物和结构信息，通过DrugBank这个权威数据库获取药物的详细数据。DrugBank包含了药物的多种属性，这对于构建全面的药物相互作用模型至关重要。使用Russell-Rao相似性度量来处理数据的稀疏性，有助于捕捉药物之间的复杂关系。 在SMDIP中，逻辑回归被用于初步的DDI分类，而随后在关键特性上应用了六种不同的机器学习模型，以提高预测的准确性和鲁棒性。这种多模型策略能更好地识别关键的相似性预测因子，降低误报和漏报的风险。 实证研究结果显示，SMDIP在预测性能上表现优秀，其AUC、精确度、准确度、召回率、特异性和F-测量值均达到较高水平。这一框架不仅在已知药物中展示了良好的预测能力，还在对丙型肝炎直接作用抗病毒药物的DDI预测中得到了验证，与药物的药代动力学和药效学特征相符。 SMDIP的可靠性通过与药物警戒文献的对比进一步确认，这意味着该框架可以有效地应用于药物开发的早期阶段，以及上市后的药物监控，对于预防潜在的药物相互作用风险具有重大意义。因此，SMDIP有望成为药物研发和公共卫生领域的一个强大工具，有助于减少DDI引发的不良事件，保障患者的生命安全。