普通藥物包含添加到藥丸中的八種“非活性”成分的混合物，以使其味道更好，持續時間更長，并使其中的活性成分穩定。這些添加劑中的一些現在正在密切關注它們在某些患者中引起過敏反應的能力。但是現在，麻省理工學院的研究人員發現，另外兩種無效成分實際上可以增強藥物強度，從而使某些患者受益。

在3月17日發表在《Cell Reports》上的一項研究中，研究人員報告說，維生素A棕櫚酸酯（一種常見的補充劑）和樹膠樹脂（一種流行的用于藥片和口香糖的上光劑）可以使數百種藥物從凝血劑和抗衰老劑中更加有效。 -非處方止痛藥的抗癌藥。他們還概述了一種使用機器學習來發現其他尚未開發的具有治療價值的非活性成分的方法。

該研究的資深作者，機械工程學系助理教授，布萊根婦女醫院的腸胃病學家Giovanni Traverso說：“任何攝入的物質都有潛在的作用，但要在分子水平上追蹤這種作用可能是一項艱巨的努力。”“機器學習為您提供了縮小搜索空間的方法。”

研究人員選擇將精力集中在體內兩種在藥物輸送中發揮巨大作用的蛋白質上：轉運蛋白P-糖蛋白（P-gp）和代謝蛋白UDP-葡萄糖醛糖基轉移酶2B7（UGT2B7）。一種或兩種都涉及調節美國食品和藥物管理局（FDA）批準的近1900種藥物中20%的作用。

研究人員想知道，是否有FDA批準的800種食品和藥物添加劑中的任何一種會歪曲這兩種蛋白質的功能。手工篩選所有800種化合物將是乏味且昂貴的。因此，他們建立了一個計算機平臺來為他們完成工作，并采用了制藥公司用來排除藥物相互作用的方法。

他們為系統提供了FDA的800種無效成分的化學結構，以及數百萬種已知會干擾酶功能的藥物和其他化合物。然后，他們要求該平臺預測哪些食品和藥物添加劑最有可能破壞P-gp和UGT2B7并通過使更多藥物進入體內（例如P-gp）或減慢其出口來改變藥物的效力，例如UGT2B7。

機器學習使研究人員能夠快速比較數百萬種藥物和非活性成分，從而確定最有可能產生作用的添加劑。出現了兩個最佳候選物：維生素A棕櫚酸酯（作為P-gp的預期抑制劑）和松香酸（作為樹膠液中的樹膠）的成分（作為UGT2B7的預期抑制劑），是樹膠中的一種成分。

接下來，研究人員開始在實驗室中對計算機的預測進行物理測試。在一個實驗中，他們給小鼠維生素A強化的水，然后給予正常劑量的血凝塊華法林。通過簡單的驗血，他們證實小鼠吸收了更多的30%的藥物，這有力地表明維生素A改善了華法林的吸收。

在第二個實驗中，他們用一小塊豬肝處理了一種由于UGT2B7消化而失去熒光能力的物質。加入松香酸后，該物質繼續發出熒光。藥物開發人員使用該測試來確認藥物可作為酶抑制劑，在這里，研究人員證實，松香酸實際上已像預期的那樣靶向UGT2B7。Traverso說，盡管沒有實際的藥物經過測試，但結果表明，如果將樹膠樹脂與布洛芬這樣的常見止痛藥一起服用，它可以增加其強度，就像維生素A在小鼠中對華法林的作用一樣。

機器學習方法越來越有助于識別和設計新藥。在最近的發現中，麻省理工學院的研究人員使用深度學習算法在“藥物再利用中心”中找到了一種全新的抗生素，該數據庫是已批準或正在審查供人類使用的化合物的數據庫。由于該算法對細菌殺滅劑的外觀沒有先入為主的想法，因此將該化合物隱藏起來作為一種建議的糖尿病治療方法被發現。

就像藥物再利用樞紐一樣，FDA的非活性成分清單對藥物開發者來說是一大吸引力。這項研究的主要作者，麻省理工學院科赫綜合癌癥研究所的瑞士國家科學基金會博士后丹尼爾·里克說，這些成分已經上市，即使它們尚未被批準用于新用途。如果發現了有希望的生物學關聯，則可以迅速將發現轉移到臨床試驗中。相比之下，測試實驗室合成或發現的新分子的安全性可能需要花費數年時間。