药物性肝损伤(DILI)是最常见和最严重的药物不良反应之一，是终止临床试验或撤回新药的主要原因。一项观察性队列研究表明，DILI 是导致急性肝损伤 (ALF) 的主要原因。我国DILI发病率为23.8/10万人，引起了更多的研究关注。

DILI的发病机制尚不完全清楚。许多风险因素会导致 DILI，例如宿主遗传、免疫和代谢因素的作用以及药物和环境影响然而，由于多种疾病并存，药物组合已变得普遍。TCM-WMC 也越来越被认可，这增加了摄入的化合物的复杂性。因此，有必要开发一种有效的方法来筛选TCM-WMC中化合物的肝毒性。

随着新计算技术的发展，人工智能(AI)模型为肝毒性筛查提供了新思路化合物。机器学习和深度学习方法越来越多地应用于筛选肝毒性化合物，它们将高维化学结构信息作为向量并以有效的方式进行预测或分类目的计算。此研究中，收集 DILI 数据集以建立用于筛选 TCM-WMC 中肝毒性化合物的 AI 模型。

在基于 TCM-WMC 的 AI 方法中筛选肝毒性化合物的研究工作流程：

方法：从公共数据库和已发表的文献中收集药物性肝损伤(DILI)数据。将 DILI 数据形成的总数据集以大约 3:1 的比例随机分为训练集和测试集。SGD(随机梯度下降)、kNN(k-最近邻)、SVM(支持向量机)、NB(朴素贝叶斯)、DT(决策树)、RF(随机森林)、ANN(人工神经网络)的机器学习模型、AdaBoost、LR(Logistic Regression)和一种深度学习模型(deep confidence network，DBN)被用来构建筛选肝毒性化合物的模型。

药物性肝损伤的 AI 模型：

结果：研究收集了2035个肝毒性化合物的数据集，其中1505个化合物作为训练集，530个化合物作为测试集。结果表明，RF在训练集上获得0.838的分类准确率(CA)，0.827的F1-score，0.832的Precision，0.838的Recall，0.814的曲线下面积(AUC)和CA的0.767，F1的0.731，0.739在测试集上，Precision of Precision，Recall 为 0.767，AUC 为 0.739，优于其他八种机器学习方法。DBN 在测试集上获得了 82.2% 的准确率，高于测试集上的任何其他机器学习模型。

结论：DILI AI模型有望有效筛选TCM-WMC中的肝毒性化合物。

综上所述，比较 DILI 模型对不同机器学习和深度学习模型的性能，发现 DBN 模型比其他 9 种机器学习方法具有更好的模型性能。因此，该方法通过DBN筛查中药-西药中肝毒性化合物，可能有助于指导临床规范和安全用药，避免临床联合用药中的肝损伤风险。

原文：Chen Z, Zhao M, You L, Zheng R, Jiang Y, Zhang X, Qiu R, Sun Y, Pan H, He T, Wei X, Chen Z, Zhao C, Shang H. Developing an artificial intelligence method for screening hepatotoxic compounds in traditional Chinese medicine and Western medicine combination. Chin Med. 2022 May 17;17(1):58. doi: 10.1186/s13020-022-00617-4. PMID: 35581608; PMCID: PMC9112584.