周猛/孙杰团队《Nat Comput Sci》：开发基于真实世界药物警戒数据的深度学习模型，预测免疫检查点抑制剂相关免疫不良反应

本文介绍了周猛/孙杰团队在《Nature Computational Science》上发表的研究，该研究开发了一种名为DySPred的深度学习模型，用于预测免疫检查点抑制剂（ICIs）治疗中可能出现的免疫相关不良反应（irAEs）。研究利用FDA不良事件报告系统的数据，通过动态图卷积网络框架，构建了时间切片下的动态毒性信号图谱，并提出了一个5年动态图卷积网络框架DySPred，以提高对定制化ICI治疗毒性特征的预测能力。研究结果表明，DySPred在不同统计学队列和器官系统上均表现出优越的性能，能够有效识别和分层ICI潜在治疗毒性风险，并对新发毒性信号具有早筛能力。该研究为优化患者的治疗策略提供了可靠的技术支持，有助于最大化患者从免疫治疗中的获益。