人工神經網絡模型在腎移植患者西羅莫司個體化給藥中的應用Δ

唐 蕾，傅曉華，羅美娟，牟 靜，廖麗文，何彩婷，任 斌#

（1.中山大學附屬第一醫院，廣州510080；2.廣州新海醫院，廣州 510300）

人工神經網絡模型在腎移植患者西羅莫司個體化給藥中的應用Δ

唐 蕾1＊，傅曉華2，羅美娟1，牟 靜1，廖麗文1，何彩婷1，任 斌1#

（1.中山大學附屬第一醫院，廣州510080；2.廣州新海醫院，廣州 510300）

目的：建立人工神經網絡用于估算西羅莫司血藥濃度的方法。方法：收集56例腎移植患者口服西羅莫司的182份全血濃度數據，采用遺傳算法配合動量法優化網絡參數，建立人工神經網絡，并對測試數據進行處理，驗證測試結果。結果：人工神經網絡平均預測誤差（MPE）與平均絕對誤差（MAE）分別為（0.31±1.14）、（0.89±0.77）ng·mL－1，32例/次（88.9%）血藥濃度數據絕對預測誤差≤2.0 ng·mL－1。人工神經網絡模型準確性及精密度優于多元線性回歸及非線性混合效應模型。結論：人工神經網絡模型可用于預測西羅莫司血藥濃度，指導個體化給藥。

西羅莫司；腎移植；人工神經網絡

西羅莫司（Sirolimus）是免疫抑制作用很強的大環內酯抗生素類免疫抑制劑，臨床主要用于器官移植抗排斥反應及自身免疫性疾病的治療。西羅莫司通過與他克莫司（FK506）蛋白（FKBP-12）結合，形成西羅莫司-FKBP-12復合物，再與哺乳類動物細胞的作用靶位蛋白（mTOR）結合，從而阻滯T淋巴細胞及其他細胞由G1期進入S期[1，2]。西羅莫司的藥動學存在明顯的個體差異，治療指數窄，用藥不當即引起腎移植術后排斥反應或高脂血癥、血小板減少、貧血、白細胞減少等不良反應[3]。國內有文獻報道，西羅莫司血藥濃度維持在4～8 ng·mL－1時最佳[4]。臨床需通過血藥濃度監測來調整給藥劑量，確保用藥安全有效。如何預測最佳用藥劑量、盡快達到藥物治療窗成為目前臨床研究的難點及熱點。本研究收集56例腎移植患者口服西羅莫司后的常規檢查數據，采用人工神經網絡（Artificial neural network，ANN）技術[5，6]預測西羅莫司血藥濃度，為臨床快速、有效制訂西羅莫司個體化給藥方案提供依據。

1 研究對象

研究對象來源于接受西羅莫司治療的腎移植患者。患者在腎移植術后接受西羅莫司+潑尼松+環孢素或他克莫司或霉酚酸酯三聯免疫抑制治療[7]。移植后48 h內開始服用西羅莫司口服液（60 mL，1 mg·mL－1，美國惠氏制藥有限公司），首次負荷劑量為6 mg，維持劑量為2 mg，每日1次，需根據患者的臨床情況調整西羅莫司的維持劑量。術中及術后2 d，ivgtt給予甲潑尼龍500 mg·d－1，以后po給予潑尼松30 mg·d－1，第3個月減量至10～20 mg·d－1，第6個月減至5～10 mg·d－1。霉酚酸酯用量500～1 500 mg·d－1，每日2次。他克莫司用量1～5 mg·d－1，每隔12 h分2次po給藥，術后1月內血藥濃度控制在8～12 ng·mL－1范圍內，1年內控制在6～10 ng·mL－1范圍內。環孢素用量100～325 mg·d－1，每日2次，術后1月內谷濃度控制在200～350 ng·mL－1范圍內，術后第3個月濃度控制在150 ng·mL－1左右，至術后第6～9個月濃度控制在50～100 ng·mL－1范圍內。

患者接受定期常規體檢，行血常規、血生化、肝功能、腎功能、血糖、血藥濃度監測等實驗室檢查。患者在不同的術后時間段，于服藥前0 h，抽取外周靜脈血1～2 mL，采用美國Abbott Axsym全自動免疫分析儀測定西羅莫司全血谷濃度。

2 方法

2.1 資料收集

收集腎移植患者臨床資料，包括：（1）患者基本資料：性別、年齡、體重、身高、術后時間；（2）免疫抑制方案；（3）西羅莫司血藥濃度監測結果；（4）實驗室檢查結果：堿性磷酸酶、丙氨酸氨基轉移酶、天冬氨酸氨基轉移酶、乳酸脫氫酶、γ-谷氨酰轉肽酶、直接膽紅素、間接膽紅素、總膽紅素、白蛋白、球蛋白、總蛋白、血糖、血尿素氮、血清肌酐、紅細胞、白細胞、血紅蛋白、血小板等；（5）合并用藥。

2.2 數據處理

2.2.1 神經網絡輸入變量篩選：以西羅莫司血藥濃度為輸出變量，患者性別、年齡、體重、身高、術后時間、西羅莫司劑量、各項實驗室檢查結果以及合并用藥等為輸入變量，采用Minitab 16.0統計軟件，以最優子集法[8]篩選西羅莫司血藥濃度的影響因素作為神經網絡輸入變量。

2.2.2 數據分組：將腎移植患者西羅莫司血藥濃度數據隨機分為2組：訓練組、測試組。

2.2.3 BP神經網絡[6]：采用BP神經網絡建模，隱含層采用正切S型激活函數，輸出層采用線性激活函數，訓練方法采用動量法。以訓練組西羅莫司血藥濃度實測值為輸出變量，以“2.2.1”項西羅莫司血藥濃度影響因素為輸入變量。隨機選擇34例/次訓練組數據用于神經網絡交叉驗證，剩余112例/次訓練組數據用于網絡訓練，采用Neurosolutions 5.0全功能試用軟件（NeuroDimension，Inc.，FL，USA），利用遺傳算法配合動量法對ANN進行訓練，對如隱含層節點數、步長、動量因子等進行優化。網絡訓練終止條件為網絡平均平方誤差（Mean square error，MSE）小于給定值0.01；或交叉驗證數據MSE開始增加；或達到預定的進化代數100。網絡最大訓練次數為10 000次，其他參數為默認值，最后得到原始數據與西羅莫司血藥濃度之間的非線性映射模型。

2.2.4 模型驗證[9]：以測試組數據為驗證數據，以遴選出的ANN估算測試組西羅莫司血藥濃度，考察西羅莫司血藥濃度估算值與實測值之間的相關性，并作相關性散點圖。同時計算預測誤差（Prediction error，PE），以平均預測誤差（Mean prediction error，MPE）評價模型的準確性、平均絕對誤差（Mean absolute prediction error，MAE）評價模型的精密度，并計算絕對預測誤差（│PE│）≤2.0 ng·mL－1的數據比率，公式如下。

3 結果

3.1 臨床資料

回顧性收集2006－2011年期間在中山大學附屬第一醫院接受腎移植手術的56名患者共182份西羅莫司穩態谷濃度及相應實驗室檢查數據，其中男性42例，女性14例，年齡（44.8±11.7）歲，體重（60.1±10.9）kg，術后時間（20.5±55.7）d，西羅莫司給藥劑量0.5～4 mg·d－1。腎移植患者資料詳見表1。腎移植患者在西羅莫司治療的基礎上都合用其他藥物，其中霉酚酸酯24例/次、環孢素27例/次、他克莫司131例/次、鈣通道拮抗藥（氨氯地平或硝苯地平）33例/次、奧美拉唑21例/次、更昔洛韋30例/次、阿德福韋59例/次、甘草酸二銨22例/次。

表1 腎移植患者資料Tab 1 Characteristics of renal transplantation patients

3.2 神經網絡輸入變量

182份西羅莫司穩態谷濃度數據經最優子集法分析，患者年齡（Age）、體重（Weight）、西羅莫司劑量（Dose）、丙氨酸氨基轉移酶（ALT）、天冬氨酸氨基轉移酶（AST）、白蛋白（ALB）、白/球比（A/G）、血糖（GLU）、尿素氮/肌酐比值（BUN/Cr）、紅細胞計數（RBC）、平均紅細胞血紅蛋白含量（MCH）檢查值以及合用環孢素A（CsA）、霉酚酸酯（MMF）、甘草酸二銨（Glyz）（合用為1，未合用為0）等組成最優子集，對西羅莫司血藥濃度有顯著影響，納入神經網絡輸入變量。

3.3 數據分組

腎移植患者西羅莫司血藥濃度數據共182例/次，隨機分為2組，訓練組146例次，測試組36例次。訓練組及測試組參數見表2。

表2 訓練組與測試組參數Tab 2 Parametersof training group and testing group

3.4 BP神經網絡

建立3層結構的BP神經網絡，網絡輸入層、隱含層和輸出層節點數分別為14、22、1，隱含層采用正切S型激活函數，輸出層采用線性激活函數。輸入變量為Dose、Age、Weight、ALT、AST、ALB、A/G、GLU、BUN/Cr、RBC、MCH及合用CsA、MMF、Glyz，輸出變量為西羅莫司血藥濃度。神經網絡結構圖見圖1。

3.5 方案評估

將測試組數據以人工神經網絡處理，對預測結果進行驗證，結果見表3。人工神經網絡血藥濃度預測值與實測值相關性散點圖見圖2。測試組西羅莫司神經網絡預測濃度cpred＝1.085 2cactua－0.033 1，r＝0.939（P＜0.05）；網絡預測 MPE 與MAE分別為（0.31±1.14）ng·mL－1和（0.89±0.77）ng·mL－1，32例次（32/36，88.9%）絕對預測誤差≤2.0 ng·mL－1。

4 討論

圖1 腎移植患者西羅莫司血藥濃度預測神經網絡結構圖Fig 1 Artificial neural network structures for prediction of blood concentration of sirolimus in renal transplantation recipients

西羅莫司是目前腎移植術后常規使用的免疫抑制劑，其治療指數較窄，血藥濃度個體差異大，因此腎移植患者需要通過經常監測血藥濃度，反復調整西羅莫司劑量，以達到有效濃度范圍，確保用藥的安全有效。臨床醫師或藥師如能利用患者生理、病理資料及實驗室檢查結果等，迅速預測某劑量下的穩態血藥濃度，對于控制最佳用藥劑量、提高療效、降低藥品不良反應、完善個體化用藥方案具有重要意義。

ANN法預測腎移植患者西羅莫司血藥濃度，預測值與實測值之間相關系數達0.939（P＜0.05），斜率1.085 2，接近1；MPE（0.31±1.14）ng·mL－1，MAE（0.89±0.77）ng·mL－1，88.9%的血藥濃度數據絕對預測誤差│PE│≤2.0 ng·mL－1。表明ANN法預測結果相關性、準確性、精密度均優于多元線性回歸預測結果。筆者曾采用非線性混合效應模型（NONMEM）分析47名腎移植患者西羅莫司血藥濃度數據，模型觀測值和預測值間的殘差和相關系數分別是1.0 ng·mL－1和0.94[7]，ANN法預測準確度優于NONMEM法結果。

西羅莫司與血漿蛋白結合率接近92%，主要結合白蛋白和α1-酸性糖蛋白。西羅莫司也可進入紅細胞，平均紅細胞-血漿比約為35%。ANN輸入變量篩選也發現白蛋白、血/球比、紅細胞計數、平均紅細胞血紅蛋白含量對西羅莫司血藥濃度有明顯影響。西羅莫司的代謝主要通過肝細胞色素P450（CYP）3A4代謝，同時也是多藥外排泵P糖蛋白（P-gp）的底物，因此其血藥濃度易受患者肝功能及影響CYP3A4或P-gp活性的藥物如環孢素等影響。ANN建模過程中，發現合用環胞素A、霉酚酸酯及甘草酸二銨對西羅莫司血藥濃度有明顯影響。文獻報道，與環孢素A合用時，西羅莫司的藥-時曲線下面積、最低濃度顯著提高，環孢素A在血中以及腎組織中的濃度也明顯上升[10]。西羅莫司與保肝藥甘草素（甘草的水溶液中提取的成分）合用時，西羅莫司的清除率（CL/F）降低[11]。西羅莫司合用霉酚酸酯可降低患者的西羅莫司CL/F[7]，霉酚酸酯平均CL/F為（5.66±2.48）L·h－1，未合用霉酚酸酯的患者平均CL/F為（7.73±5.35）L·h－1[7]。

表3 測試組西羅莫司血藥濃度預測效果（x±s ）Tab 3 Prediction performanceof blood concentration of sirolimusin testing grou（px±s ）

圖2 西羅莫司血藥濃度ANN預測值與實測值相關性散點圖A.訓練組；B.測試組Fig 2 Scatter plots of the relationship between the actual concentration and the predicted concentration of sirolimusA.training group；B.test group

本研究建立了適合中國腎移植患者西羅莫司血藥濃度預測的ANN法，方法簡便迅捷，臨床醫師將西羅莫司劑量及相關輸入變量代入ANN，即可迅速預測西羅莫司穩態血藥濃度，利于在中國腎移植受者中開展西羅莫司個體化給藥。

[1]Vignot S，Faivre S，Aguirre D，et al.mTOR-targeted therapy of cancer with rapamycin derivatives[J].Ann Oncol，2005，16（4）：525.

[2] Soliman GA.The mammalian target of rapamycin signaling network and gene regulation[J].Curr Opin Lipidol，2005，16（3）：317.

[3] 牟 靜，傅曉華，任 斌，等.西羅莫司治療腎移植后排斥反應的療效、不良反應與其血藥濃度的相關性分析[J].中國藥房，2011，22（30）：2 839.

[4] 王長希，陳立中，任 斌，等.腎移植受者應用西羅莫司治療窗的臨床研究[J].中國新藥與臨床雜志，2005，24（1）：41.

[5]Goren S，Karahoca A，Onat FY，et al.Prediction of cyclosporine A blood levels：an application of the adaptive-network-based fuzzy inference system（ANFIS）in assisting drug therapy[J].Eur JClin Pharmacol，2008，64（8）：807.

[6] 任 斌，何秋毅，許 瓊，等.人工神經網絡預測腎移植受者霉酚酸體內暴露藥量[J].藥學學報，2009，44（12）：1 397.

[7] 牟 靜，何秋毅，傅曉華，等.腎移植患者西羅莫司的群體藥動學研究[J].中國藥房，2012，23（10）：886.

[8] 李長平，職心樂，劉曉紅，等.AIC結合最優子集法構建logistic回歸模型在預測2型糖尿病并發末梢神經病變中的應用[J].中國衛生統計，2010，127（6）：594.

[9] Sheiner LB，Beal SL.Some suggestions for measuring predictive performance[J].J Pharmacokinet Biopharm，1981，9（4）：503.

[10] 石浩強，陳 冰，許倍銘.西羅莫司藥動學的影響因素及治療藥物監測[J].中國醫藥工業雜志，2010，41（7）：543.

[11] Jiao Z，Shi XJ，Li ZD，et al.Population pharmacokinetics of sirolimus in de novo Chinese adult renal transplant patients[J].Br JClin Pharmacol，2009，68（1）：47.

Application of Artificial Neural Network in Individual Medication of Sirolimus for Renal Transplantation Recipients

TANG Lei，LUO Mei-juan，MU Jing，LIAO Li-wen，HE Cai-ting，REN Bin
（The First Affiliated Hospital of Sun Yat-sen University，Guangzhou 510080，China）
FU Xiao-hua
（Guangzhou Xinhai Hospital，Guangzhou 510300，China）

OBJECTIVE：To establish a prediction method for blood concentration of sirolimus by artificial neural network.METHODS：182 blood concentration samples were collected from 56 renal transplantation recipients.Artificial neural network（ANN）was established after network parameters were optimized by using momentum method combined with genetic algorithm.The trial data was processed and validated.RESULTS：Mean prediction error（MPE）and mean absolute error（MAE）of ANN were（0.31±1.14）ng·mL－1and（0.89±0.77）ng·mL－1，respectively.The absolute prediction error of testing data of 32 cases/times（88.9%）was less than 2.0 ng·mL－1.Accuracy and precision of ANN were superior to multiple regression and nonlinear mixed effect model.CONCLUSION：ANN is suitable to predict blood concentration of sirolimus and guide individual medication.

Sirolimus；Renal transplantation；Artificial neural network

R969.1；R979.5

A

1001-0408（2012）30-2821-04

DOI 10.6039/j.issn.1001-0408.2012.30.15

Δ廣東省科技計劃項目（2007B031500003）

＊副主任藥師，法學碩士。研究方向：臨床藥學。電話：020-62732266。E-mail：pharma_tl@163.com

#通訊作者：副主任藥師。研究方向：臨床藥學。電話：020-87755766-8442。E-mail：renbinsys@sina.com

2012-04-09

2012-05-28）

Δ重慶市科委自然科學基金計劃資助項目（CSTC，2010BB5103）

＊講師。研究方向：衛生檢驗。電話：023-68485026。E-mail：lchjy@126.com

＃通訊作者：博士。研究方向：細菌耐藥性及致病機制。電話：023-68485026。E-mail：liylyl@yahoo.com.cn