根据疾病预防控制中心的一项估计，仅上个月就有23％的美国人服用了两种或更多的处方药，65岁以上的人中有39％服用五种或更多，这一数字在过去几十年中增加了三倍。如果这还不足为奇，看看这个：在很多情况下，医生并不知道药物组合会产生什么副作用。

问题在于目前美国医药市场上有这么多药物，“实际上，不可能与其他所有药物一起测试一种新药，因为那样的话一种药物就需要进行五千次新实验，”Marinka Zitnik说，至于那些新的药物组合，我们真的不知道会发生什么。”

在7月10日在芝加哥举行的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设计了一个人工智能系统，用于预测，而不仅仅是跟踪药物组合的潜在副作用。该系统称为Decagon，可以帮助医生更好地决定描述哪些药物，并帮助研究人员找到更好的药物组合来治疗复杂疾病。

组合种类繁多

一旦Decagon以更加友好的形式向医生提供，预测将比现在改善更多，目前来说这些情况是偶然的，比如患者服用一种药物，开始服用另一种药物，然后出现头痛。市场上有大约1000种不同的已知副作用和5000种药物，在所有可能的药物对之间有近1250亿种可能的副作用。其中大多数从未被一起开处方，更不用说系统地研究了。

但是，Zitnik，Agrawal和Leskovec意识到他们可以通过研究药物如何影响我们体内潜在的细胞机器来解决这个问题。他们组成了一个庞大的网络，描述了我们体内超过19000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。利用药物和副作用之间已知的400多万种关联，然后，研究小组设计了一种方法，根据药物对不同蛋白质的靶向作用，确定副作用的模式。

为此，该团队转向深度学习，深度学习着眼于复杂的数据，并从中提取抽象的，有时是数据中违反直觉的模式。在这种情况下，研究人员设计了他们的系统来推断药物相互作用而出现副作用的模式，并预测将两种药物一起服用会导致的后果。

预测并发症

仅仅因为Decagon发现了一种模式并不一定能让它成为现实，所以该小组希望看看它的预测是否成真，而且在很多情况下，他们确实如此。例如，团队的数据中没有迹象表明阿托伐他汀（一种胆固醇药物）和氨氯地平（血压药物）的组合可能会导致肌肉发炎，但Decagon预测它会，而且这是正确的。虽然它没有出现在原始数据中，但2017年的病例报告显示药物组合导致了一种危险的肌肉炎症。

这个例子也在其他案例中诞生了。当他们在医学文献中搜索Decagon预测的十种副作用的证据而不是他们的原始数据时，研究小组发现十个中有五个最近得到确认，这进一步证实了Decagon的预测。

“令人惊讶的是，蛋白质相互作用网络揭示了药物副作用，”斯坦福神经科学研究所和Chan Zuckerberg Biohub的成员Leskovec表示。

目前，Decagon只考虑与药物对相关的副作用，并且未来该团队希望将其结果扩展到更复杂的治疗方案，Leskovec说。他们还希望创建一个更加用户友好的工具，为医生指导是否为特定患者开出特定药物是没有问题的，并帮助研究人员开发复杂疾病的药物治疗方案，减少副作用。

Leskovec说，“直到今天，药物副作用基本上都是偶然发现的，我们的方法有可能带来更有效和更安全的医疗保健。”