近期，纽约西奈山伊坎医学院的数据科学家及其同事创建了一项人工智能模型，该模型可以更准确地预测可能导致先天性残疾的药物，尤其是未被归类为有害的现有药物。同时，这项人工智能模型还能预测临床前化合物对发育中的胎儿造成伤害。这项研究是同类研究中首次使用知识图谱整合各种数据类型来研究先天性残疾的人工智能模型。研究结果发表在Communications Medicine杂志上，

在美国，每33名新生儿中就有1名存在出生缺陷。“出生缺陷”即通俗所言之“先天性畸形”，是指婴儿出生前发生的身体结构、功能或代谢异常。出生缺陷可由染色体畸变、基因突变等遗传因素或环境因素引起，也可由这两种因素交互作用或其他不明原因所致，通常包括先天畸形、染色体异常、遗传代谢性疾病、功能异常。然而，大多数先天残疾的原因仍然不明。如果孕妇接触到药品、化妆品、食品和环境污染物中的某些物质，就有可能导致出生缺陷。

"我们希望能增进对生殖健康和胎儿发育的了解，更重要的是，在新药广泛上市和销售之前，对这些药物导致出生缺陷的可能性发出警告，"研究人员表示，"虽然确定根本原因是一项复杂的任务，但希望能通过复杂的数据分析，更好地预测、调节和预防先天性残疾可能造成的重大伤害。"

为了进一步描述小分子化合物与其诱发特定出生异常的可能性之间的关联，研究人员收集了已发表文献中提到的多个出生缺陷关联数据集的知识，并构建出生殖毒性知识图谱（ReproTox-KG），重点关注出生缺陷，药物和基因之间的关联。具体来说，研究人员收集的数据包括发表的摘要中共同提及的药物/出生缺陷关联、基因研究中的基因/出生缺陷关联、药物和临床前化合物诱导的细胞系基因表达变化、已知的药物靶点、人类基因的遗传负荷评分以及小分子药物的胎盘穿越评分。

结果发现，通过ReproTox-KG 和半监督学习（SSL），研究人员对 30,000 种临床前小分子药物进行了优先排序，以确定它们是否可能穿过胎盘并诱发出生缺陷。SSL是机器学习的一个分支，其使用少量有标记的数据来指导对大量未标记数据进行预测。此外，通过分析 ReproTox-KG 的拓扑结构，发现了 500 多个出生缺陷/基因/药物群组，这些群组可以解释药物诱发出生缺陷的分子机制。

研究人员提醒说，研究结果只是初步的，还需要进一步的实验来验证。接下来，研究人员计划重点研究基因、药物和疾病之间的关系。同时，研究人员还打算将处理过的数据集用作生物信息学分析课程和研讨会的培训材料。

"我们希望，通过合作能够建立一个新的全球框架，用于评估新药的潜在毒性，并解释某些已知会导致出生缺陷的药物的生物作用机制。未来，美国食品药品管理局和美国环境保护局等监管机构有可能使用这种方法来评估新药或其他化学应用的风险。“研究人员强调。

原始出处

John Erol Evangelista et al, Toxicology knowledge graph for structural birth defects, Communications Medicine (2023). DOI: 10.1038/s43856-023-00329-2