XiaoMi-AI文件搜索系统
World File Search SystemDDI
药物的复杂性和临床意义……
摘要 癌症患者发生静脉血栓栓塞事件的风险增加。抗凝治疗包括预防或治疗剂量的低分子量肝素 (LMWH) 或直接口服抗凝剂 (DOAC)。然而，由于各种个体和疾病相关因素，包括药物相互作用 (DDI)，癌症患者的血栓管理很复杂。此外，DDI 可能会影响癌症和静脉血栓的治疗效果和安全性；癌症治疗的进展凸显了它们的重要性。鉴于这些新型肿瘤药物被广泛使用，应更加注意监测潜在的 DDI，以尽量降低风险。在癌症治疗快速发展和新疗法和新方案不断推出的时代，认识 DDI 至关重要。在治疗癌症相关血栓形成 (CAT) 时，同时使用 DOAC 和 CYP3A4 或 P-糖蛋白 (P-gp) 的中度或强效调节剂（抑制剂或诱导剂）最有可能与显著的 DDI 相关。因此，在这种情况下，LMWH 仍然是长期治疗 CAT 的一线选择，医生必须考虑使用 LMWH 作为一线选择。本综述描述了接受抗凝治疗的癌症相关血栓形成 (CAT) 患者发生 DDI 的风险及其潜在影响和结果。
人工智能时代数据驱动创新中的算法偏见
数据驱动创新 (DDI) 因其在 AI 时代改变创新的潜力而备受关注。数字巨头亚马逊、阿里巴巴、谷歌、苹果和 Facebook 因 DDI 而享有可持续的竞争优势。然而，人们对 DDI 过程中可能存在的算法偏见知之甚少，这些偏见会导致不公正、不公平或有偏见的数据产品开发。因此，这篇客座编辑旨在通过系统的文献综述、主题分析和澳大利亚机器人债务计划的案例研究，探索整个 DDI 过程中算法偏见的来源。研究结果表明，算法偏见有三个主要来源：数据偏见、方法偏见和社会偏见。从理论上讲，我们的研究结果阐明了动态管理能力在解决各种偏见方面的作用。从实践上讲，我们提供了解决算法偏见的指南，重点关注数据、方法和管理能力。
数据和文本挖掘SUMGNN：通过有效的知识图摘要
动机：由于药物与药物相互作用（DDI）数据集和大型生物医学知识图（kgs）的可用性不断提高，因此使用机器学习模型可以准确检测不良DDI。然而，这在很大程度上仍然是一个开放的问题，如何有效利用大型和嘈杂的生物医学kg进行DDI检测。由于其巨大的大小和公斤的噪音量，将KG与其他较小但较高质量的数据直接整合在一起通常是不那么好处（例如实验数据）。大多数现有方法完全忽略了kgs。有些试图通过图形神经网络将KG与其他数据直接集成在一起，成功有限。此外，大多数预先的作品都集中在二进制DDI预测上，而多型DDI药理学效应预测更有意义但更艰巨的任务。结果：要填补空白，我们提出了一种新方法sumgnn：知识汇总图形神经网络，该网络可以通过子图提取模块来启用，该模块可以有效地锚定在kg的相关子图上的基于自我意见的基于子分类的知识中的相关子图中的相关范围，以生成多个元素的知识和数据集成的多个频道和数据集成的频道和数据。 significant- ly improved multi-typed DDI predictions.sumgnn的表现优于最佳基线高达5.54％，而在低数据关系类型中，绩效增长尤为重要。此外，SUMGNN通过每个预测的生成的推理路径提供了可解释的预测。可用性和实施：该代码可在补充材料中找到。联系人：cao.xiao@iqvia.com补充信息：补充数据可在Online Bioinformatics获得。
llms用于药物相互作用预测
现代治疗方案中药物组合的增加需要可靠的方法来预测药物相互作用（DDIS）。虽然大型语言模型（LLMS）已重新提到了各个领域，但它们在药物研究中的潜力，尤其是在DDI预测中，仍然在很大程度上没有探索。这项研究通过唯一处理分子结构（微笑），靶生物和基因相互作用数据作为最新药品库数据集的原始文本输入来彻底研究LLMS在预测DDI方面的能力。我们评估了18种不同的LLM，包括专有模型（GPT-4，Claude，Gemini）和开源变体（从1.5B到72B参数），首先评估其在DDI预测中的零击功能。然后我们微调选定的模型（GPT-4，PHI-3.5 2.7b，QWEN-2.5 3B，GEMMA-2 9B和DEEPSEEK R1蒸馏QWEN 1.5B），以优化其性能。我们的全面评估框架包括对13个外部DDI数据集进行验证，并与传统方法（例如L2登记的逻辑回归）进行了比较。微型LLMS表现出卓越的性能，PHI-3.5 2.7b在DDI预测中达到0.978的灵敏度，在平衡数据集中的准确性为0.919（50％正，50％负案例）。此结果代表了用于DDI预测的零射击预测和最新的机器学习方法的改进。我们的分析表明，LLM可以有效地捕获复杂的分子相互作用模式和药物对以共同基因为目标的情况，从而使其成为药物研究和临床环境中实际应用的宝贵工具。
HyGNN：通过超图神经网络预测药物间相互作用
摘要 — 药物间相互作用 (DDI) 可能会妨碍药物的功能，在最坏的情况下，它们可能导致药物不良反应 (ADR)。预测所有 DDI 是一个具有挑战性且至关重要的问题。大多数现有的计算模型整合了来自不同来源的以药物为中心的信息，并将它们作为机器学习分类器中的特征来预测 DDI。然而，这些模型失败的可能性很高，尤其是对于所有信息都不可用的新药。本文提出了一种新的超图神经网络 (HyGNN) 模型，该模型仅基于适用于任何药物的简化分子输入线输入系统 (SMILES) 药物串来解决 DDI 预测问题。为了捕捉药物化学结构的相似性，我们从从 SMILES 字符串中提取的药物化学子结构创建了一个超图。然后，我们开发了 HyGNN，它由一个基于注意力机制的新型超图边缘编码器组成，以获得药物作为超边的表示，以及一个解码器来预测药物对之间的相互作用。此外，我们进行了大量实验来评估我们的模型，并将其与几种最先进的方法进行比较。实验结果表明，我们提出的 HyGNN 模型可以有效预测 DDI，并且令人印象深刻地超越基线，最大 F1 得分、ROC-AUC 和 PR-AUC 分别为 94.61%、98.69% 和 98.68%。最后，我们表明我们的模型也适用于新药。索引术语 — 药物-药物相互作用、图神经网络、超图、超图神经网络、超图边缘编码器
3HP 药物间相互作用，包括 ART
当两种药物一起服用时，其中一种药物对身体的作用可能会发生变化。药物相互作用 (DDI) 可能会增加或减少一种或两种药物的作用，或导致不良事件。因此，DDI 可能会延迟、增强或减少同时服用的两种药物的吸收。许多 DDI 是由肝脏中的一种酶系统引起的，称为细胞色素 P450。这些酶可以被诱导，从而更活跃，也可以被抑制，从而活性降低。当活性更高时，它们会增加通过同一系统的其他药物的代谢，并降低这些药物的浓度。这会使第二种药物无效。当酶复合物的活性降低时，所服用的药物的代谢就会降低，体内的浓度就会升高。然后它们会导致更多的不良事件和副作用。
抗体-药物偶联物的临床药理学考虑因素
指南中的建议适用于从临床前开发到临床开发的各个阶段：临床前评估和早期临床研究中收集的信息和数据将为 ADC 开发项目后期的开发策略和研究设计提供参考。例如，使用药物代谢酶和转运蛋白相关检测对未结合有效载荷进行体外 DDI 风险评估将为体内 DDI 研究的必要性和设计提供参考。临床前和早期临床研究中未结合有效载荷的吸收、分布、代谢和排泄信息将为是否应在关键研究或专门研究中评估器官损伤提供参考。
引用：Wang H, Shi H, Wang Y, Wang N, Li Y, Yang Q, Li Y, Liu C, Zan Y, Feng S 和 Xie J (2022) 潜在危险的药物间相互作用与
癌症患者通常服用多种药物，因此发生药物相互作用 (DDI) 的风险更高。此外，大多数癌症患者都是老年人，他们由于合并症需要额外药物（Riechelmann 等人，2007 年；Targownik 等人，2007 年；Shinohara 等人，2018 年；Herrmann，2020 年）。研究表明，0.6% – 5% 的与药物不良事件 (ADE) 相关的住院治疗是由于药物相互作用引起的，一般认为这占 ADE 的很大一部分（Becker 等人，2007 年；Roughead 等人，2010 年）。此外，大约 4% 的癌症相关死亡被评估为由 DDI 引起（Buajordet 等人，2001 年）。口服抗癌疗法的 DDI 可能会降低疗效或增加毒性风险，从而导致意外的治疗结果（ Riechelmann 等人，2007 年）。有风险的 DDI 会对大多数服用联合药物的患者产生负面影响，或者其风险远远超过潜在的益处。住院的癌症患者通常采用多药方案治疗，这会增加在需要使用抗癌药物时发生危险相互作用的可能性。一项调查显示，34% 接受化疗的癌症患者经历过至少一次严重的 DDI（定义为危及生命或不可逆转的损害），这可能会产生严重的临床后果（ van Leeuwen 等人，2011 年）。癌症患者治疗负担的增加增加了此类处方的风险。因此，在决定药物处方时，预防不良相互作用是疗效和安全性方面最重要的考虑因素之一（ Chen 等人，2005 年）。尽管已有多项研究评估了癌症患者中潜在药物相互作用的发生率（Riechelmann 等人，2007 年；van Leeuwen 等人，2011 年），但与口服抗肿瘤药物 (OAA) 相关的潜在 DDI 的发生率尚不清楚。我们系统分析了三年期间（2018 年至 2020 年）OAA 与其他药物之间的风险模式，以确定这些警告是否符合中国医院药品标签的禁忌症。
抗精神病药物及其他药物对抗精神病药物恶性综合征发生发展的作用
抗精神病药物治疗的患者中，神经阻滞剂恶性综合征 (NMS) 是一种罕见但严重且有时致命的并发症，其潜在机制仍不清楚。精神病的药物治疗很复杂，通常涉及两种或两种以上药物的组合，包括抗精神病药物以外的药物。在本研究中，我们使用日本药物不良事件报告 (JADER) 数据库广泛调查与 NMS 相关的药物及其相关途径，以及 NMS 中的药物间相互作用 (DDI)。所有分析均使用 2004 年 4 月至 2022 年 5 月 JADER 数据库中的数据进行。使用报告比值比 (ROR) 和比例报告比 (PRR) 评估单一药物信号，并使用京都基因和基因组百科全书 (KEGG) 研究药物途径。使用 Ω 收缩测量和卡方统计模型评估 DDI。 JADER 数据库中与 20 例或更多 NMS 病例相关的所有药物都显示出 NMS 信号，包括非抗精神病药物。与药物相关的通路包括与抗精神病药物相关的多巴胺能或血清素能突触。已确认几种显示单一药物信号的药物组合会导致 NMS 的 DDI。这项研究证实了各种药物（包括非精神病药物）与 NMS 的显著关联，并表明与这些药物相关的各种通路可能参与 NMS 的进展。此外，发现这些药物的几种组合会相互作用（DDI），从而增加 NMS 的风险，这表明在使用这些药物时应采取适当的谨慎措施。