付洺宇，朱一陽，吳春勇，侯鳳貞*，關 媛**

（1中國藥科大學理學院，南京211198；2中國藥科大學藥物分析系，南京211198）

藥物發(fā)現(xiàn)是一個漫長的過程，主要包括4個階段：目標選擇和驗證、化合物篩選和優(yōu)化、臨床前研究、臨床試驗［1］。在大多數(shù)情況下，關于藥物發(fā)現(xiàn)的研究最終都無法達到臨床試驗階段，其中藥代動力學的不良性質是導致研究中斷的主要原因［2］。由此可見，充分研究先導化合物早期的藥代動力學性質對減少臨床失敗造成的經(jīng)濟損失具有重要意義。 藥物的血漿蛋白結合率（plasma protein binding，PPB）反映了藥物與血漿蛋白的結合程度，它影響藥物在體內的分布、代謝與排泄，與藥物的相互作用及作用機制等密切相關。藥物在血漿中未結合的部分通常用fu（the fraction unbound in plasma）表示。通過預測藥物的fu，有助于了解藥物的藥代動力學特性，從而在藥物發(fā)現(xiàn)的早期階段選擇合適的候選藥物［3］。

近年來，人工智能算法被越來越多的應用在計算人體藥代動力學特性的研究中，為研究者在新藥發(fā)現(xiàn)和優(yōu)化階段選擇合適的化合物提供了幫助［4-10］。目前已有幾種商業(yè)軟件可通過軟件自身的算法直接預測fu，如ADMET Predictor 和BIOVIA Discovery Studio。然而，與真實值相比，這些軟件預測的結果普遍不高。一些研究使用機器學習方法通過構建藥物血漿蛋白結合率的定量結構-藥物動力學關系（quantitative structure-pharmacokinetic relationship，QSPR）模型預測fu。Votano 等［11］在由808 個藥物構成的訓練集上使用Molconn-Z 軟件計算分子描述符，用人工神經(jīng)網(wǎng)絡、多元線性回歸（multiple linear regression，MLR）、支持向量機（support vector machines，SVM）、K- 近 鄰（k nearest neighbors，KNN）4 種方法來預測fu，預測模型的R2普遍在0.61 左右。Ingle 等［12］構建了包含1045 個藥物的數(shù)據(jù)集，利用Molecular Operating Environment（MOE）計算分子描述符，用KNN、SVM 和RF 3種機器學習算法建了定量結構-活性關系（QSAR）模型，使用200 個獨立的藥物數(shù)據(jù)集和來自Tox-Cast 的406 種化合物數(shù)據(jù)集作為外部測試集對模型進行評估，預測模型R2為0.45 ～0.62。Watanabe 等［13］構建了包含了2738 個藥物的數(shù)據(jù)集，通過開源軟件Mordred 和PaDEL-Descriptor 計算分子描述符，并使用多種機器學習算法構建預測模型。結果表明，在已知的方法中，RF模型取得了最優(yōu)性能，R2的最高值達到了0.691。該結果展示了使用開源軟件在計算分子描述符上的優(yōu)點，為本研究提供了參考。

本研究從文獻［13-14］中收集了共2452 個藥物構建數(shù)據(jù)集，將分子描述符作為訓練模型的輸入向量，采用機器學習算法訓練模型，通過比較模型的評價指標以評估模型的預測性能。此外，本研究還比較了不同方法（軟件）算得的分子描述符作為特征輸入空間對預測模型的影響，以探究在構建藥物血漿蛋白結合率預測模型中合適的特征提取方法。

1 實驗方法

人工智能是一種利用計算機高速處理和分布式計算實現(xiàn)快速地分析和解決問題的先進技術，它能使計算機模擬人腦的信息處理和學習過程［15］。機器學習作為人工智能研究的一個重要領域而備受關注，該方法通過計算機來學習數(shù)據(jù)中的內在規(guī)律性信息，從而獲得新的經(jīng)驗和知識，提高計算機的智能性，使機器能夠像人一樣做出決策［16］。在構建預測模型方面，機器學習主要有分類和回歸兩種類型。對于預測藥物血漿蛋白結合率來說，需要構建的是一種回歸模型，整個過程主要包括以下3 個步驟：（1）數(shù)據(jù)的收集與整理；（2）將數(shù)據(jù)集劃分為訓練集和測試集，使用訓練集根據(jù)機器學習算法訓練模型；（3）用測試集預測已訓練的模型，評估模型的預測能力。

2 構建血漿蛋白結合率預測模型的實驗過程與結果分析

2.1 數(shù)據(jù)采集與特征提取

本研究從文獻［13-14］中分別搜集了2319 和670 個藥物，每個藥物由藥品通用名和對應的fu組成。其中，文獻［13］提供了2738 個藥物，這些藥物來源于健康成年人的數(shù)據(jù)記錄，由于隱私要求的限制，只從中下載得到2319 個。文獻［14］包括670 個專門用于靜脈注射的藥物數(shù)據(jù)，且不包含口服、肌肉注射或其他給藥途徑的數(shù)據(jù)。將這兩批數(shù)據(jù)整合后，先去掉重復的藥物，隨后通過Pub-Chem 網(wǎng)站（https：//pubchem.ncbi.nlm.nih.gov/）下載藥物結構信息，用于計算分子描述符。如果一個藥物在該網(wǎng)站查不到其結構信息，則刪去。最終整理得到共計2452 條包含fu及結構信息的藥物，作為本研究的數(shù)據(jù)集。該數(shù)據(jù)集涵蓋了藥物廣泛的理化性質和化學結構，且包含全面的fu，數(shù)據(jù)集fu的分布如圖1-A 所示，可以發(fā)現(xiàn)，超過50%的化合物fu集中在0 ～0.1。文獻［13］指出，在構建回歸模型中，對分布不均勻的數(shù)據(jù)集采用對數(shù)化操作能緩解fu的強偏置分布，從而提高模型在低值范圍內的預測準確率。為此，將fu以2為底取對數(shù)，記為log2fu。數(shù)據(jù)集的log2fu的分布如圖1-B所示。

Figure 1 Distribution histogram of the fraction unbound in plasma (fu) (A) and the logarithm of fu.(log2 fu)(B)

分別使用商業(yè)軟件MOE（2014版）和Python開源庫Mordred（1.2.0 版）［17］通過藥物的結構信息計算分子描述符，以此作為特征提取方法。對于每個藥物，使用MOE 可以得到365 個分子描述符。由于機器學習中的輸入特征只支持數(shù)值型，因此將顯示為非數(shù)值類型或空值的分子描述符去除，最終保留了278個分子描述符。使用Mordred可以得到1613 個分子描述符，對顯示為非數(shù)值類型或空值的分子描述符做相同處理，最終保留了882個分子描述符。分別將兩種方法計算得到的分子描述符作為模型的特征輸入空間。

2.2 數(shù)據(jù)集的劃分與交叉驗證方法

機器學習算法需要獨立的訓練集和測試集來進行模型訓練和性能評估。將數(shù)據(jù)隨機劃分訓練集和測試集，其中測試集占比為10%。同時，本文在訓練預測模型階段使用十折交叉驗證方法。該方法將整體數(shù)據(jù)平均分成10 份，依次將其中的一份作為測試集，剩下的作為訓練集。這個過程重復10 次，得到10 個訓練模型，最終的結果取10 個模型預測結果的平均值。十折交叉驗證方法的特點是，數(shù)據(jù)中的每個樣本都有機會作為測試集參與模型的預測，從而使模型具有更好的泛化能力。十折交叉驗證方法如圖2所示。

2.3 機器學習方法構建模型的參數(shù)調優(yōu)

模型參數(shù)調優(yōu)的方法一般采用網(wǎng)格搜索的方法。網(wǎng)格搜索是一種指定參數(shù)值的窮舉搜索方法，通過將參數(shù)交叉驗證的方法進行優(yōu)化來得到最優(yōu)的學習算法［18］。即將各個參數(shù)可能的取值進行排列組合，列出所有可能的組合結果形成“網(wǎng)格”，然后將各組合用機器學習的方法進行訓練。在擬合函數(shù)嘗試了所有的參數(shù)組合后，返回一個預測結果最優(yōu)的模型，該模型下的參數(shù)組合即為最佳參數(shù)組合。在數(shù)據(jù)預處理階段，本研究使用MOE 和Mordred 計算分子描述符作為特征提取方法，構建了兩個特征輸入空間，所以相應地構建了基于MOE的預測模型和基于Mordred的預測模型。

Figure 2 Workflow of 10-fold cross validationD: Represents the entire dataset; D1-D10: Represent the sub-datasets divided into ten parts

2.4 實驗結果及分析

本研究采用決定系數(shù)（coefficient of determination，R2）和均方誤差（mean squared error，MSE）來評估模型的預測精度。R2用于衡量回歸方程整體的擬合程度，可以體現(xiàn)因變量和自變量之間的擬合關系。本研究通過比較數(shù)據(jù)中原始fu和由模型預測得到的fu間的擬合關系得到R2。MSE 表示數(shù)據(jù)估計值與數(shù)據(jù)真值之差平方的期望值，即誤差平方和的平均數(shù)。該值可以評價數(shù)據(jù)估計偏離真實值的程度，MSE 越小，說明預測模型描述的實驗數(shù)據(jù)具有更好的精確度。

表1 展示了分別使用MOE 和Mordred 特征提取方法在選擇全部特征作為輸入時，用XGBoost算法和RF 算法構建模型的性能。通過觀察結果發(fā)現(xiàn)，構建的模型中使用Mordred 提取特征的效果優(yōu)于MOE 方法。當聯(lián)合使用Mordred 和XGBoost 算法時，構建的預測模型有最高的R2（0.654）。但與RF 算法相比，XGBoost 算法構建模型表現(xiàn)出的MSE 往往更高，這表示基于XGBoost算法的模型預測精度較低。使用不同的特征提取方法，基于RF算法的模型MSE 低，反映了RF 算法能更好地利用特征，也避免了一定程度的過擬合。

Table 1 Performance of the model constructed by selecting all the features as the input space. R2 is the coefficient of determination and MSE is the mean square error

為了改進模型性能，本研究對由分子描述符構成的特征輸入空間進行重構。首先，通過XGBoost算法和RF 算法分別計算兩種特征提取方法得到的輸入特征的重要性。以F1評分作為評價標準，選擇重要性排前200的特征。之后在特征數(shù)量2 ～200的范圍內，以2為步長依次改變特征數(shù)量，訓練由不同特征數(shù)量構建的預測模型。圖3 展示了不同特征數(shù)量構建的模型在預測集上的R2變化。圖中分別展示了十折交叉驗證的平均結果以及表現(xiàn)最優(yōu)一折（第7 折）的結果。通過觀察圖中不同方法構建模型的R2曲線，發(fā)現(xiàn)特征數(shù)量在200以內可以滿足模型的收斂條件。當特征數(shù)量在75 ～160時，模型在預測集上的R2趨于穩(wěn)定。圖中標出了特征數(shù)量在此區(qū)間范圍內，不同數(shù)量特征構建的模型十折交叉驗證結果的平均值以及最優(yōu)一折結果的平均值。根據(jù)圖3可發(fā)現(xiàn)，使用相同的特征提取方法，XGBoost 算法構建的模型有更高的R2，表現(xiàn)出更好的預測能力。相較于使用MOE，使用Mordred 作為特征提取方法訓練的模型在預測集上的R2更高。當聯(lián)合使用Mordred和XGBoost算法時，在特征數(shù)量為75 ～160之間構建模型的平均R2最高，最優(yōu)一折的R2達到了0.701。

隨后，本研究探究了在特征數(shù)量為75 ～160之間，不同方法構建模型的最優(yōu)性能，結果如表2 所示。對于兩種特征提取方法，使用Mordred 構建模型的預測性能比使用MOE 更高。在選擇Mordred的基礎上，通過XGBoost 算法和RF 算法構建的模型在測試集上的最高R2都達到了0.715。其中，RF 算法構建模型的MSE 更低，為0.199。這說明相較于XGBoost 算法，基于RF 算法構建的模型預測精度更高。各模型的擬合效果如圖4 所示?？梢园l(fā)現(xiàn)，XGBoost 算法構建的模型（圖4-A、4-C）發(fā)生了明顯的過擬合，模型在訓練集的預測效果表現(xiàn)極佳，而測試集的預測效果一般。RF 算法構建的模型（圖4-B、4-D）沒有明顯過擬合現(xiàn)象。各模型對于log2fu高的藥物有著良好的預測性能，但在預測log2fu低的藥物上表現(xiàn)不佳。

Figure 3 Performance comparison of models with different number of featuresA: MOE was used to extract features and RF was used to build the model; B: MOE was used to extract features and XGBoost was used to build the model; C: Mordred was used to extract features and RF was used to build the model; D: Mordred was used to extract features and XGBoost was used to build the model

對于模型的構建，在XGBoost 模型中，主要調試的參數(shù)有學習率（learning_rate）、樹的最大深度（max_depth）、樹的最小節(jié)點（min_child_weight）、預剪枝程度（gamma）、隨機采樣比例（subsample）。在RF 模型中，主要調試的參數(shù)有分類器個數(shù)（n_estimators）、最大特征數(shù)（max_features）、樹的最大深度（max_depth）、節(jié)點可分最小樣本數(shù)（min_samples_split）。在最優(yōu)結果中，XGBoost 模型和RF模型的參數(shù)設置如表2所示。

分析藥物數(shù)據(jù)集中的主要特征有助于進一步了解藥物性質與fu之間的關系。本研究分別使用XGBoost 算法和RF 算法對特征的重要性進行排序。對于通過MOE 和Mordred 兩種方法構建的特征，本研究分別取前5 個特征做進一步分析，結果如表3 所示。其中，SlogP 和logP（o/w）表示辛醇/水分配系數(shù)的對數(shù)，其值用來確定藥物能否從膜上通過并接近靶點。logS 表示水溶性值的對數(shù)，F(xiàn)ilterItLogS 表示通過Filter it 軟件計算的logS，AATS1v 表示共軛雙鍵的性能。SlogP 和logS 這兩個分子描述符在3 種方法選出的特征中有著很高的權重，這說明藥物的辛醇/水分配系數(shù)和水溶性值對于預測血漿蛋白結合率有重要意義。logP（o/w）在MOE 中有著重要的占比，而AATS1v 在Mordred 中有著與SlogP 相同重要的地位，這兩個分子描述符對預測藥物血漿蛋白結合率也顯示出一定程度的作用。

3 小 結

本研究以2452 條藥物信息作為數(shù)據(jù)集，使用MOE 和Mordred 計算分子描述符，采用XGBoost 算法和RF 算法，建立了預測藥物fu的回歸模型。結果表明，使用開源的描述符計算工具構建的模型，顯示出與使用商業(yè)軟件構建的模型相當?shù)男阅?。同時，本研究的最佳回歸模型顯示出比之前的研究（包括使用商業(yè)軟件）更好的性能。

在大多數(shù)模型中，對于預測fu影響較大的幾個特征是較為統(tǒng)一的，常見的有親脂性和共軛雙鍵的相關特征（如SlogP、AATS1v）。通常，親脂性高的藥物更傾向與血漿蛋白結合，而電負性或極化性會影響分子的酸堿性［19］。從特征重要性來看，本研究構建的預測模型成功捕獲了這些影響fu的關鍵因素。在構建的預測模型中，使用全部分子描述符作為輸入特征時，使用RF 算法構建的模型表現(xiàn)出更好的性能。在確定特征數(shù)量階段，使用兩種算法構建的模型性能相近，用XGBoost算法構建模型的平均結果更高。

表4 展示了近幾年關于藥物的血漿蛋白結合率預測模型的研究。在現(xiàn)有的研究中，Watanabe等［13］使用的數(shù)據(jù)集規(guī)模最大，有2738 個藥物信息。對于特征提取，大多數(shù)研究使用商業(yè)軟件計算分子描述符作為模型的輸入特征。通過比較不同的機器學習算法，可以發(fā)現(xiàn)RF 算法在各研究中展示出良好的性能，該算法對于構建藥物血漿蛋白結合率的預測模型有良好的應用價值。另外，XGBoost 算法作為一種新興的算法，所構建的預測模型同樣顯示出良好的性能。

數(shù)據(jù)集的質量對模型的構建有著重要的作用，由臨床實驗得到的藥物信息對模型構建更具有實際價值。本研究整理得到的藥物信息均是從實際的臨床實驗中的來的，雖然數(shù)據(jù)集的規(guī)模比現(xiàn)有大多數(shù)同類型研究使用的數(shù)據(jù)集更大，但隨著臨床實驗數(shù)據(jù)量的增加，本研究所使用的方法有望取得預測性能更高的回歸模型。