药物不良反应(ADRs)是全球住院和治疗中断的重要原因。传统方法常难以检测药物的罕见或延迟效应。为提升早期检测能力，索非亚医科大学研究团队开发出深度学习模型，仅凭药物化学结构即可预测药物不良反应概率。
该模型采用神经网络架构，通过标准药物流行病学数据训练，输入特征源自分子结构标准表示格式SMILES编码。模型可针对六大主要不良反应生成预测：肝毒性、肾毒性、心脏毒性、神经毒性、高血压和光敏反应。
研究人员在《Pharmacia》期刊发表的论文中指出："模型成功识别了多数预期反应，且假阳性率较低，展现出可接受的预测准确性。"测试显示对已知药物预测结果与说明书副作用高度一致：红霉素肝毒性概率达94.06%，顺铂肾毒性88.44%、高血压75.8%。对实验化合物ezeprogind预测光敏反应64.8%，而新型分子Enadoline各项风险均显示低概率。
研究特别指出，该模型在药物早期发现和监管安全监测中具有应用潜力。作者建议通过整合剂量水平和个体参数等变量进一步优化模型性能。更多信息可见Veselina Ruseva等在《Pharmacia》(2025)发表的论文，DOI:10.3897/pharmacia.72.e160997。
该研究由Pensoft出版社提供支持。相关技术已应用于多项药物安全研究，包括预测顺铂相关听力损失风险、干细胞器官类器官质量评估等前沿领域。
【全文结束】
