IF15.1!郑州大学用FAERS+机器学习斩获《Nature》子刊!破解干眼症药物警戒难题!
- 2026-04-16 09:09:57
点击蓝字 关注我们
引言
📌干眼症全球患病率高达5%-50%，新型治疗药物Lifitegrast虽获临床关注，但不良事件预测与风险评估长期面临技术瓶颈。郑州大学第一附属医院林丽、景世翔等团队在《npj Digital Medicine》发表研究，创新性整合机器学习、网络毒理学等技术，破解传统药物警戒局限。这项研究不仅为Lifitegrast打造了精准安全评估体系，更推动眼科药物警戒迈入“计算驱动+个性化监测”的新阶段，为精准医疗提供了实用方法论。
⬇⬇关注生信原点，后台咨询发文不迷路⬇⬇
如果你想用FAERS、机器学习发文，生信原点为您提供服务！
文献解读
研究背景：
💜Lifitegrast是治疗干眼症的新型药物，临床关注度高，但传统药物警戒方法在其不良事件预测、风险评估及分子机制解析上存在局限，亟需结合机器学习、网络毒理学等先进计算技术构建更高效的安全评估体系。
研究目的：
💜本研究旨在针对治疗干眼症的药物Lifitegrast，整合机器学习、网络毒理学等先进计算技术，建立其不良药物事件的综合预测与风险评估框架并开发自动化个性化风险评估平台，解决传统药物警戒局限，提升药物安全监测水平并助力精准眼科医疗。
研究方法
核心数据：提取 FDA Adverse Event Reporting System2016Q1-2024Q4 的 4511 条 Lifitegrast 相关不良事件报告；
预处理步骤：去重、缺失值填充、数据标准化、时间序列拆分，避免数据泄露。
采用 4 种经典 disproportionality 分析方法：报告比值比、比例报告比、贝叶斯置信传播神经网络、多项目伽马泊松收缩器；
信号筛选标准：案例数≥3、95% CI 下限 > 1、PRR≥2 且 χ²≥4 等，控制假发现率。
机器学习驱动的 ADE 预测与文本分析
预测模型：构建 7 类模型，最终采用集成模型，搭配 MLP、LSTM 神经网络，优化 ADE 预测精度；
文本分析：基于 BERT 系列模型，完成 ADE 严重程度分类、命名实体识别、情感分析、主题分类。
图1：Lifitegrast 治疗干眼症相关不良药物事件的风险因素分析图
药物-基因网络：整合 STRING 、SwissTargetPrediction数据库，筛选 36 个候选基因，识别 ICAM1、MMP9、SRC 为关键调控基因；
分子验证：用 AutoDock Vina 做分子对接，GROMACS 进行 100 ns 分子动力学模拟，验证药物 - 靶点结合稳定性。
图2：Lifitegrast 的综合网络毒理学分析流程图
整合上述所有模块，实现实时风险评分、个性化推荐、高风险预警；
系统验证：独立测试集验证，风险预测准确率 86.3%，响应时间 2.3 秒。
图3：计算增强型药物警戒总体框架结构图
研究结果
核心数据：从 FDA FAERS 数据库提取 4511 条 Lifitegrast 相关 ADE 报告，93.7% 来自美国，64.5% 为消费者上报。
人群特征：女性占比 73.3%，年龄集中在 18-64.9 岁和 65-85 岁，存在明显性别差异和大量缺失数据。
时间趋势：呈现典型 Weber 效应，2016 年 FDA 批准后报告量快速上升，2017 年达峰后逐步下降。
图4：Lifitegrast 治疗干眼症相关报告不良事件数量趋势图
系统器官分类层面：眼部疾病、神经系统疾病、全身及给药部位反应为主要关联领域；呼吸、精神、胃肠道疾病报告率低于预期。
首选术语层面：识别 16 个显著 ADE 信号，核心为给药部位反应和味觉障碍，还包括给药部位刺激、红斑、流泪等局部症状。
预测模型：集成模型表现最优，AUC=0.892、准确率 = 0.847，较传统 ROR 方法提升 11.8%-12.0%；XGBoost 为最优单算法。
文本分析：BERT 系列模型在 ADE 严重程度分类、命名实体识别等任务中 F1-score 达 0.856-0.892，成功识别 8 类 ADE 主题。
关键基因：筛选出 36 个候选基因，核心调控基因为 ICAM1、MMP9、SRC，涉及炎症调节、细胞黏附、信号通路等功能。
分子验证：分子对接显示 Lifitegrast 与 3 个关键基因结合能均 <-9 kcal/mol；100 ns 分子动力学模拟证实结合稳定，且揭示 SRC 抑制与味觉障碍、ICAM1/MMP9 失衡与给药部位疼痛的关联机制。
图5：Lifitegrast 的毒性预测图
图6：连接 Lifitegrast 与治疗效应及不良药物事件的候选基因鉴定及其功能表征图
图7：Lifitegrast 与关键基因的分子对接图
图8：Lifitegrast 与关键基因复合物的分子动力学模拟图
核心性能：独立测试集风险预测准确率 86.3%，个性化推荐准确率 79.1%，平均响应时间 2.3 秒，支持实时风险分层与临床决策。
输出功能：可生成 0-100 分个人风险评分、16 类 ADE 概率预测、个性化给药 / 监测建议及高风险预警，在不同人群亚组中表现稳定。
总结
💜本文聚焦干眼症治疗药物Lifitegrast的药物警戒研究，整合FDA FAERS数据库分析、机器学习、网络毒理学等技术，构建了多维度不良药物事件预测框架。研究识别出16个显著ADE信号，锁定ICAM1、MMP9、SRC为关键调控基因，开发的集成模型AUC达0.892，自动化风险评估系统实现实时个性化风险监测。该研究为眼科药物安全评估提供了创新方法，推动精准药物警戒发展。
无论是生信热点，还是机器学习，FAERS数据做分析，感兴趣的话都可以后台咨询！
想看哪方面文章可在评论区留言，每天分享高分文章、高分技巧，解析文章思路和研究方法，记得关注以防走失哦！
