开发一种新药可能需要数年的研究，花费数百万美元。然而，超过 90% 的候选药物在临床试验中失败，甚至更多药物从未进入临床阶段。许多药物失败是因为它们不安全。

麻省理工学院和哈佛大学布罗德研究所的研究人员开发出了人工智能模型，可以在药物进入生物体之前筛查其潜在的生物学效应。

Srijit Seal 是布罗德成像平台卡彭特-辛格实验室的访问学者，他训练了多个预测机器学习模型，以识别可能对人体造成毒性作用的化学和结构药物特征。

这些工具共同评估了药物如何影响药物开发人员感兴趣的各种结果：一般细胞健康、药代动力学以及心脏和肝功能。截至目前，描述其中三种机器学习工具的论文已发表在《化学信息与建模杂志》、《细胞分子生物学》和《毒理学化学研究》上。第四种正在开发中。

预测模型不会消除实验室实验，但它们可以帮助研究人员缩小潜在药物的选择范围，分配更多的时间和资源来对更有希望的候选药物进行实验。

Seal 开始这项工作是因为想知道是否可以从候选药物的化学结构中获得更多毒理学见解。药物毒性即使在获得 FDA 批准后仍可能是一个问题;药物引起的心脏毒性 (DICT) 和药物引起的肝损伤 (DILI) 都是上市后药物撤回的很大一部分原因。

为了更好地了解药物对人体器官产生毒性的复杂生物学机制，FDA 整理出了药物对心脏和肝脏产生毒性作用的可能性的分类清单。