人工神经网络模型在肾移植患者西罗莫司个体化给药中的应用Δ

唐 蕾，傅晓华，罗美娟，牟 静，廖丽文，何彩婷，任 斌#

（1.中山大学附属第一医院，广州510080；2.广州新海医院，广州 510300）

人工神经网络模型在肾移植患者西罗莫司个体化给药中的应用Δ

唐 蕾1＊，傅晓华2，罗美娟1，牟 静1，廖丽文1，何彩婷1，任 斌1#

（1.中山大学附属第一医院，广州510080；2.广州新海医院，广州 510300）

目的：建立人工神经网络用于估算西罗莫司血药浓度的方法。方法：收集56例肾移植患者口服西罗莫司的182份全血浓度数据，采用遗传算法配合动量法优化网络参数，建立人工神经网络，并对测试数据进行处理，验证测试结果。结果：人工神经网络平均预测误差（MPE）与平均绝对误差（MAE）分别为（0.31±1.14）、（0.89±0.77）ng·mL－1，32例/次（88.9%）血药浓度数据绝对预测误差≤2.0 ng·mL－1。人工神经网络模型准确性及精密度优于多元线性回归及非线性混合效应模型。结论：人工神经网络模型可用于预测西罗莫司血药浓度，指导个体化给药。

西罗莫司；肾移植；人工神经网络

西罗莫司（Sirolimus）是免疫抑制作用很强的大环内酯抗生素类免疫抑制剂，临床主要用于器官移植抗排斥反应及自身免疫性疾病的治疗。西罗莫司通过与他克莫司（FK506）蛋白（FKBP-12）结合，形成西罗莫司-FKBP-12复合物，再与哺乳类动物细胞的作用靶位蛋白（mTOR）结合，从而阻滞T淋巴细胞及其他细胞由G1期进入S期[1，2]。西罗莫司的药动学存在明显的个体差异，治疗指数窄，用药不当即引起肾移植术后排斥反应或高脂血症、血小板减少、贫血、白细胞减少等不良反应[3]。国内有文献报道，西罗莫司血药浓度维持在4～8 ng·mL－1时最佳[4]。临床需通过血药浓度监测来调整给药剂量，确保用药安全有效。如何预测最佳用药剂量、尽快达到药物治疗窗成为目前临床研究的难点及热点。本研究收集56例肾移植患者口服西罗莫司后的常规检查数据，采用人工神经网络（Artificial neural network，ANN）技术[5，6]预测西罗莫司血药浓度，为临床快速、有效制订西罗莫司个体化给药方案提供依据。

1 研究对象

研究对象来源于接受西罗莫司治疗的肾移植患者。患者在肾移植术后接受西罗莫司+泼尼松+环孢素或他克莫司或霉酚酸酯三联免疫抑制治疗[7]。移植后48 h内开始服用西罗莫司口服液（60 mL，1 mg·mL－1，美国惠氏制药有限公司），首次负荷剂量为6 mg，维持剂量为2 mg，每日1次，需根据患者的临床情况调整西罗莫司的维持剂量。术中及术后2 d，ivgtt给予甲泼尼龙500 mg·d－1，以后po给予泼尼松30 mg·d－1，第3个月减量至10～20 mg·d－1，第6个月减至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给药，术后1月内血药浓度控制在8～12 ng·mL－1范围内，1年内控制在6～10 ng·mL－1范围内。环孢素用量100～325 mg·d－1，每日2次，术后1月内谷浓度控制在200～350 ng·mL－1范围内，术后第3个月浓度控制在150 ng·mL－1左右，至术后第6～9个月浓度控制在50～100 ng·mL－1范围内。

患者接受定期常规体检，行血常规、血生化、肝功能、肾功能、血糖、血药浓度监测等实验室检查。患者在不同的术后时间段，于服药前0 h，抽取外周静脉血1～2 mL，采用美国Abbott Axsym全自动免疫分析仪测定西罗莫司全血谷浓度。

2 方法

2.1 资料收集

收集肾移植患者临床资料，包括：（1）患者基本资料：性别、年龄、体重、身高、术后时间；（2）免疫抑制方案；（3）西罗莫司血药浓度监测结果；（4）实验室检查结果：碱性磷酸酶、丙氨酸氨基转移酶、天冬氨酸氨基转移酶、乳酸脱氢酶、γ-谷氨酰转肽酶、直接胆红素、间接胆红素、总胆红素、白蛋白、球蛋白、总蛋白、血糖、血尿素氮、血清肌酐、红细胞、白细胞、血红蛋白、血小板等；（5）合并用药。

2.2 数据处理

2.2.1 神经网络输入变量筛选：以西罗莫司血药浓度为输出变量，患者性别、年龄、体重、身高、术后时间、西罗莫司剂量、各项实验室检查结果以及合并用药等为输入变量，采用Minitab 16.0统计软件，以最优子集法[8]筛选西罗莫司血药浓度的影响因素作为神经网络输入变量。

2.2.2 数据分组：将肾移植患者西罗莫司血药浓度数据随机分为2组：训练组、测试组。

2.2.3 BP神经网络[6]：采用BP神经网络建模，隐含层采用正切S型激活函数，输出层采用线性激活函数，训练方法采用动量法。以训练组西罗莫司血药浓度实测值为输出变量，以“2.2.1”项西罗莫司血药浓度影响因素为输入变量。随机选择34例/次训练组数据用于神经网络交叉验证，剩余112例/次训练组数据用于网络训练，采用Neurosolutions 5.0全功能试用软件（NeuroDimension，Inc.，FL，USA），利用遗传算法配合动量法对ANN进行训练，对如隐含层节点数、步长、动量因子等进行优化。网络训练终止条件为网络平均平方误差（Mean square error，MSE）小于给定值0.01；或交叉验证数据MSE开始增加；或达到预定的进化代数100。网络最大训练次数为10 000次，其他参数为默认值，最后得到原始数据与西罗莫司血药浓度之间的非线性映射模型。

2.2.4 模型验证[9]：以测试组数据为验证数据，以遴选出的ANN估算测试组西罗莫司血药浓度，考察西罗莫司血药浓度估算值与实测值之间的相关性，并作相关性散点图。同时计算预测误差（Prediction error，PE），以平均预测误差（Mean prediction error，MPE）评价模型的准确性、平均绝对误差（Mean absolute prediction error，MAE）评价模型的精密度，并计算绝对预测误差（│PE│）≤2.0 ng·mL－1的数据比率，公式如下。

3 结果

3.1 临床资料

回顾性收集2006－2011年期间在中山大学附属第一医院接受肾移植手术的56名患者共182份西罗莫司稳态谷浓度及相应实验室检查数据，其中男性42例，女性14例，年龄（44.8±11.7）岁，体重（60.1±10.9）kg，术后时间（20.5±55.7）d，西罗莫司给药剂量0.5～4 mg·d－1。肾移植患者资料详见表1。肾移植患者在西罗莫司治疗的基础上都合用其他药物，其中霉酚酸酯24例/次、环孢素27例/次、他克莫司131例/次、钙通道拮抗药（氨氯地平或硝苯地平）33例/次、奥美拉唑21例/次、更昔洛韦30例/次、阿德福韦59例/次、甘草酸二铵22例/次。

表1 肾移植患者资料Tab 1 Characteristics of renal transplantation patients

3.2 神经网络输入变量

182份西罗莫司稳态谷浓度数据经最优子集法分析，患者年龄（Age）、体重（Weight）、西罗莫司剂量（Dose）、丙氨酸氨基转移酶（ALT）、天冬氨酸氨基转移酶（AST）、白蛋白（ALB）、白/球比（A/G）、血糖（GLU）、尿素氮/肌酐比值（BUN/Cr）、红细胞计数（RBC）、平均红细胞血红蛋白含量（MCH）检查值以及合用环孢素A（CsA）、霉酚酸酯（MMF）、甘草酸二铵（Glyz）（合用为1，未合用为0）等组成最优子集，对西罗莫司血药浓度有显著影响，纳入神经网络输入变量。

3.3 数据分组

肾移植患者西罗莫司血药浓度数据共182例/次，随机分为2组，训练组146例次，测试组36例次。训练组及测试组参数见表2。

表2 训练组与测试组参数Tab 2 Parametersof training group and testing group

3.4 BP神经网络

建立3层结构的BP神经网络，网络输入层、隐含层和输出层节点数分别为14、22、1，隐含层采用正切S型激活函数，输出层采用线性激活函数。输入变量为Dose、Age、Weight、ALT、AST、ALB、A/G、GLU、BUN/Cr、RBC、MCH及合用CsA、MMF、Glyz，输出变量为西罗莫司血药浓度。神经网络结构图见图1。

3.5 方案评估

将测试组数据以人工神经网络处理，对预测结果进行验证，结果见表3。人工神经网络血药浓度预测值与实测值相关性散点图见图2。测试组西罗莫司神经网络预测浓度cpred＝1.085 2cactua－0.033 1，r＝0.939（P＜0.05）；网络预测 MPE 与MAE分别为（0.31±1.14）ng·mL－1和（0.89±0.77）ng·mL－1，32例次（32/36，88.9%）绝对预测误差≤2.0 ng·mL－1。

4 讨论

图1 肾移植患者西罗莫司血药浓度预测神经网络结构图Fig 1 Artificial neural network structures for prediction of blood concentration of sirolimus in renal transplantation recipients

西罗莫司是目前肾移植术后常规使用的免疫抑制剂，其治疗指数较窄，血药浓度个体差异大，因此肾移植患者需要通过经常监测血药浓度，反复调整西罗莫司剂量，以达到有效浓度范围，确保用药的安全有效。临床医师或药师如能利用患者生理、病理资料及实验室检查结果等，迅速预测某剂量下的稳态血药浓度，对于控制最佳用药剂量、提高疗效、降低药品不良反应、完善个体化用药方案具有重要意义。

ANN法预测肾移植患者西罗莫司血药浓度，预测值与实测值之间相关系数达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%的血药浓度数据绝对预测误差│PE│≤2.0 ng·mL－1。表明ANN法预测结果相关性、准确性、精密度均优于多元线性回归预测结果。笔者曾采用非线性混合效应模型（NONMEM）分析47名肾移植患者西罗莫司血药浓度数据，模型观测值和预测值间的残差和相关系数分别是1.0 ng·mL－1和0.94[7]，ANN法预测准确度优于NONMEM法结果。

西罗莫司与血浆蛋白结合率接近92%，主要结合白蛋白和α1-酸性糖蛋白。西罗莫司也可进入红细胞，平均红细胞-血浆比约为35%。ANN输入变量筛选也发现白蛋白、血/球比、红细胞计数、平均红细胞血红蛋白含量对西罗莫司血药浓度有明显影响。西罗莫司的代谢主要通过肝细胞色素P450（CYP）3A4代谢，同时也是多药外排泵P糖蛋白（P-gp）的底物，因此其血药浓度易受患者肝功能及影响CYP3A4或P-gp活性的药物如环孢素等影响。ANN建模过程中，发现合用环胞素A、霉酚酸酯及甘草酸二铵对西罗莫司血药浓度有明显影响。文献报道，与环孢素A合用时，西罗莫司的药-时曲线下面积、最低浓度显著提高，环孢素A在血中以及肾组织中的浓度也明显上升[10]。西罗莫司与保肝药甘草素（甘草的水溶液中提取的成分）合用时，西罗莫司的清除率（CL/F）降低[11]。西罗莫司合用霉酚酸酯可降低患者的西罗莫司CL/F[7]，霉酚酸酯平均CL/F为（5.66±2.48）L·h－1，未合用霉酚酸酯的患者平均CL/F为（7.73±5.35）L·h－1[7]。

表3 测试组西罗莫司血药浓度预测效果（x±s ）Tab 3 Prediction performanceof blood concentration of sirolimusin testing grou（px±s ）

图2 西罗莫司血药浓度ANN预测值与实测值相关性散点图A.训练组；B.测试组Fig 2 Scatter plots of the relationship between the actual concentration and the predicted concentration of sirolimusA.training group；B.test group

本研究建立了适合中国肾移植患者西罗莫司血药浓度预测的ANN法，方法简便迅捷，临床医师将西罗莫司剂量及相关输入变量代入ANN，即可迅速预测西罗莫司稳态血药浓度，利于在中国肾移植受者中开展西罗莫司个体化给药。

[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 静，傅晓华，任 斌，等.西罗莫司治疗肾移植后排斥反应的疗效、不良反应与其血药浓度的相关性分析[J].中国药房，2011，22（30）：2 839.

[4] 王长希，陈立中，任 斌，等.肾移植受者应用西罗莫司治疗窗的临床研究[J].中国新药与临床杂志，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，许 琼，等.人工神经网络预测肾移植受者霉酚酸体内暴露药量[J].药学学报，2009，44（12）：1 397.

[7] 牟 静，何秋毅，傅晓华，等.肾移植患者西罗莫司的群体药动学研究[J].中国药房，2012，23（10）：886.

[8] 李长平，职心乐，刘晓红，等.AIC结合最优子集法构建logistic回归模型在预测2型糖尿病并发末梢神经病变中的应用[J].中国卫生统计，2010，127（6）：594.

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

[10] 石浩强，陈 冰，许倍铭.西罗莫司药动学的影响因素及治疗药物监测[J].中国医药工业杂志，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广东省科技计划项目（2007B031500003）

＊副主任药师，法学硕士。研究方向：临床药学。电话：020-62732266。E-mail：pharma_tl@163.com

#通讯作者：副主任药师。研究方向：临床药学。电话：020-87755766-8442。E-mail：renbinsys@sina.com

2012-04-09

2012-05-28）

Δ重庆市科委自然科学基金计划资助项目（CSTC，2010BB5103）

＊讲师。研究方向：卫生检验。电话：023-68485026。E-mail：lchjy@126.com

＃通讯作者：博士。研究方向：细菌耐药性及致病机制。电话：023-68485026。E-mail：liylyl@yahoo.com.cn