基于图神经网络的药物脾脏毒性预测结题报告.docVIP

基于图神经网络的药物脾脏毒性预测结题报告

一、研究背景与问题提出

脾脏作为人体重要的免疫器官和血液过滤器官，在药物代谢和免疫调节过程中发挥着关键作用。然而，药物诱导的脾脏毒性（Drug-inducedSpleenToxicity,DIST）却常常被临床研究和药物开发所忽视。据美国食品药品监督管理局（FDA）不良事件报告系统（FAERS）数据显示，2018-2023年间，与药物相关的脾脏不良反应报告数量年均增长8.7%，涉及抗肿瘤药物、免疫抑制剂、抗生素等多个治疗领域。其中，免疫检查点抑制剂引发的脾脏肿大、淋巴细胞减少等不良反应发生率可达15%-30%，严重者可导致脾破裂、免疫功能衰竭等致命后果。

传统的药物毒性评价方法主要依赖体内动物实验和体外细胞模型，存在周期长、成本高、物种差异显著等局限性。以啮齿类动物实验为例，完成一套完整的脾脏毒性评价需耗时6-12个月，单品种成本超过50万美元，且约40%的药物在临床阶段因未预测到的脾脏毒性而被迫终止开发。近年来，随着人工智能技术在药物研发领域的渗透，基于机器学习的毒性预测模型逐渐成为研究热点。然而，传统机器学习方法（如支持向量机、随机森林等）在处理药物分子结构和生物系统的复杂关系时，往往难以捕捉分子间的非线性相互作用和生物网络的拓扑特征，导致预测精度不足，泛化能力有限。

图神经网络（GraphNeuralNetworks,GN