药物性肝损伤（DILI）是药物开发研究、临床应用过程中均需要进行风险评估或者管理的重点，稍有不胜可导致药物研究失败，已上市药品撤市，甚至导致发病或死亡。如何进行药物性肝损的评价极为重要。

近日看文献发现机器学习/深度学习在这方面的应用简直是玩出了花。

临床前研究套路

套路不外乎基于已有知识库的学习再预测识别。训练所用到的知识库包括已明确导致DILI的药物相关信息。这些信息包括但不仅仅局限于药物结构，理化性质，性状，亲脂性、动物体内肝代谢特征，体外肝细胞代谢特征，基因组信息等。

下面列举几篇文章供学习：

  1. Computational Models Using Multiple Machine Learning Algorithms for Predicting Drug Hepatotoxicity With the DILIrank Dataset

  2. Gene Expression Data Based Deep Learning Model for Accurate Prediction of Drug-Induced Liver Injury in Advance

  3. Predicting Drug-Induced Liver Injury With Bayesian Machine Learning

临床实践中应用机器学习/深度学习预测DILI是否也有这样的繁荣景象呢？

临床实践比细胞、动物实验严谨好几个段位，毕竟面对的是活生生的人。确诊最好的办法就是取活检。但取人体肝活检组织并非易事，痛苦暂且不说，这玩意不仅是一门技术活，还需要有一定的运气成分，不一定刚好就取到了想要的病变组织。那也意味着，活检组织的病理结果并不十分准确。因此，想要基于病理结果玩转机器学习/深度学习就非易事了。

是不是就完全没有套路玩了呢？似乎也并非如此，有不少文献报道了DILI体内潜在的生物标志物的研究，譬如:miR-122,谷氨酸脱氢酶，HMGB1蛋白，Keratin-18。不仅如此，常规的检验指标也包括不少。还可以和其他组学的数据整合把玩。静待你的套路文章…… 哈哈