運用人工智能準確預測抗癌藥物的最佳配搭組合
由香港城市大學（城大）學者領導的一個研究團隊，設計出嶄新的人工智能框架，能有效預測不同抗癌藥物組合所產生的協同藥效和毒性。研究成果揭示了運用人工智能和機器學習來找出癌癥和其它復雜疾病的有效療程組合的應用潛能。
研究團隊由城大數據科學學院（SDS）副教授張清鵬博士領導。研究成果已於學術期刊Journal of the American Medical Informatics Association (JAMIA)上發表，題為〈GraphSynergy: a network-inspired deep learning model for anticancer drug combination prediction〉。
結合人工智能與抗癌療程 為癌癥藥物研發開拓新方向
現時治療癌癥、愛滋病等複雜疾病，醫生往往會處方多種藥物，以達致最佳療效，但要找出最佳的聯合用藥方案，一般是建基於臨床經驗和判斷。近年人工智能和數據科學急速發展，在研發新藥及設計療程方面助科研人員一臂之力，提供了分析大量複雜臨床及生物數據的捷徑。
本身是數據科學學者的張博士，便帶領其研究團隊首次涉足癌癥藥物發現領域，最近成功設計出命名為「Graph Convolutional Network for Drug Synergy」（GraphSynergy）的嶄新人工智能化療藥物藥效預測框架。這套以深度學習為基礎的人工智能算法，透過分析蛋白質交互作用網絡（protein-protein interaction network）中，藥物所針對的蛋白質模組（protein modules）與和特定癌細胞株（cancer cell line）有關連的蛋白質模組之間的關係，以及蛋白質模組彼此間的關係等數據，能夠預測不同抗癌藥物對特定癌細胞株所產生的協同藥效，並評估藥物的毒性。
分析蛋白質交互作用網絡 預測不同藥物組合的成效
張博士解釋，人體結構複雜，細胞內的蛋白質有著無數的相互作用，形成一個關係千絲萬縷的蛋白質交互作用網絡。癌細胞一般便與多種蛋白質有關聯，這些蛋白質在蛋白質交互作用網絡中，彼此各有直接或間接的關係。他說：「如何聯合不同藥物去治療癌癥因而極為複雜，因此我們借助人工智能去分析當中藥物或癌細胞針對的特定蛋白質，以及蛋白質之間的關係等等，從而能較準確地預測不同藥物組合的成效。」
他強調，GraphSynergy的預測並非只建基於分析藥物或癌細胞所直接針對蛋白質，而是同時檢視蛋白質之間的關係，因而得出較準確的預測，更容易找出能產生協同藥效而又毒性較低的抗癌藥物最佳配搭組合。
他表示團隊將GraphSynergy與傳統預測模型，以及新近發佈的藥物組合預測算法如DeepSynergy等作比較，發現GraphSynergy的預測表現都更勝一籌，能識別出具高藥效、低毒性的藥物組合。
為了驗證GraphSynergy的預測，團隊將臨床上已知有效的藥物組合數據運用GraphSynergy作運算，同樣得出該組合為有效的預測。驗證結果又發現，雖然根據公開的藥物篩選數據庫的資料，有一組藥物組合效能不大，但GraphSynergy的推算結果卻預測有效。於是團隊進行文獻分析，發現最新的臨床試驗證實了該藥物組合的有效性。張博士認為這進一步說明了人工智能算法的前瞻性和預測能力。
張博士再補充，GraphSynergy能同時識別出使癌癥藥物發揮效力的關鍵蛋白質，這對科研人員理解藥效的預測，以及日後研發新藥物非常重要。
用研究意念成立初創 獲HK Tech 300及香港科技園公司培育
他總結說：「我們這個人工智能框架有望協助在用藥方面，以低成本改進病人的抗癌療程，並在醫生及病人作出醫療決定時提供考量的根據。我們下一步會將框架用於研發癌癥及其他疾病的新藥。」
研究團隊的骨幹成員正嘗試將研究意念轉化為實際應用而創立了「指南針醫療科技」，並已成為由香港城大旗艦創新創業計劃HK Tech 300及香港科技園公司共同培育的初創團隊之一。
張博士是論文的通訊作者。第一作者是張博士指導的博士生、來自數據科學學院的羊劍楠。其他研究人員來自香港大學、香港中文大學以及華中科技大學同濟醫學院附屬同濟醫院。
是次研究獲得國家自然科學基金委員會、香港食物及衛生局醫療衛生研究基金、香港創新科技署創新及科技基金、國家重點研發計劃的資助而進行。
DOI number: 10.1093/jamia/ocab162