AI 能助預測藥物腎毒性，加速新藥研發

近年人工智慧（AI）在生物醫學領域不斷擴展。最近大連理工大學研究，就聚焦用深度學習（deep learning）預測藥物腎臟毒性，以新藥開發初期就能淘汰有潛在毒性的化合物，避免傷害受試者或病患。AI 技術若成熟，有助加速新藥開發流程，降低臨床試驗風險。論文近日刊登於《Molecular Diversity》期刊。

腎臟主要功能是過濾血液、調節電解質平衡，若暴露於有毒化學物質，可能導致急性腎損傷或慢性腎病。許多常用藥物如化療藥物、非類固醇抗發炎藥、某些抗生素等，都可能傷害腎臟。傳統新藥開發時，藥物安全性評估要體外實驗（in vitro assay）、動物實驗等，成本高又耗時，且結果與人體反應不盡相符，可能誤將有嚴重毒性的藥物視為安全，最後導致臨床實驗中止或上市後撤藥。

標註化合物，讓 AI 看懂毒性

運用 AI 深度學習，能以巨量資料分析藥物風險，視為解決問題的新解方。為了讓 AI 模型具足夠可信度，團隊建立 1,018 種化合物資料集，並以嚴格標準篩選與標註這些化合物：凡是明確與「腎損傷」、「腎毒性」、「腎疾病」相關，標記為毒性組；無腎臟不良反應紀錄，或有腎保護作用、治療腎疾病的化合物，歸為無毒組。這些化合物涵蓋常見的臨床用藥與實驗性化合物，為模型訓練奠定相當的基礎。

團隊建立 42 組預測模型比較性能。結果顯示，深度神經網路（deep neural network，DNN）表現最佳，能有效區分化合物的腎毒性，準確率達七成以上，已達實際應用水準。還導入 SHAP（SHapley Additive exPlanations）演算法，找出十種最具影響力的化學亞結構（substructures），這些特徵是潛在的「腎毒性標誌」。未來若在藥物設計早期就偵測到這些結構，即可盡早調整以避免毒性。

AI 藥物毒性預測的兩大挑戰

研究亮點在 AI 學習化學結構，幫助藥物開發者更早淘汰高風險候選物，避免不必要的資源浪費。然而，模型準確度仍受限資料庫多樣性與標註品質。若資料偏重某些藥物類別，模型仍可能失準。此外，深度學習有「黑盒子」（black box）特性，決策過程不易理解。如何讓 AI 模型成為藥物監管與臨床決策的正式依據，仍需更多跨領域的驗證與透明化標準。

展望未來，這項研究展現了 AI 在藥物安全領域的潛力。若能擴展預測其他器官毒性，例如肝毒性、心毒性等，就有機會建立多器官毒性預測平台。製藥公司可在分子設計階段就利用這些工具，降低後期試驗的失敗率。若進一步將這些模型與臨床資料及基因體資訊整合，醫師將可根據患者基因型與代謝特徵，預測其對特定藥物的毒性反應，使「用藥安全」落實到個人層次。