如果您有特定的研究想法，研究方案或已发表的结果将提供有关单一臂的纳入和所使用的比较方法的最准确细节。
算方法对于预测有效的药物组合至关重要，因为它们能够整合和分析大量生物数据。目前最流行的方法要么基于系统生物学，要么基于机器学习，要么两者结合。系统生物学方法基于生物网络分析，需要广泛的生物学知识。机器学习模型试图从数据中学习复杂的模式，但受到训练数据量的限制。方法的选择取决于感兴趣的治疗领域可用的数据量。
科睿唯安的发现和转化科学咨询团队在实施此类方法方面拥有丰富的经验。有些客户会提出一些建议，我们可以分两个步骤进行：
使用机器学习管道，利用来自分子相互作用 (Metabase) 和 Cortellis 药物发现智能数据库的信息，对适应症目标进行优先排序；
确定针对这些目标的药物并使用系统生物学方法预测这些组合的效果。
在其他情况下，客户对一种药物感兴趣，并使用计算方法（机器学习或系统生物学）来寻找该药物的最佳合作伙伴。
最后为了确定这种组合的市场
真实数据非常有用。流行病学数据可用于评估市场规模。此外，可以使用 Clarivate 市场评估工具（例如 Cortellis 竞争情报或疾病格局和预测）来利用有关专利药物、市场趋势、药物开发阶段、因毒性而中止的 加拿大资源 临床试验等信息。Clarivate 商业战略咨询服务专家可以帮助您完成这项任务。
问：您提到，可以根据临床前模型预测组合的安全性。由于组合非常复杂，那么对人体的安全性预测能力如何？
答：您说得对，仅基于临床前模型预测药物组合对人体的安全性具有挑战性。如果临床前模型不能准确代表人类疾病（例如，使用细胞系而不是 3D 类器官），情况尤其如此。
在缺乏相关实验数据的情况下
们倾向于使用与实验数据无关的预测方法，利用现有的 但您可能看不到最好的 药物和疾病知识。在我们的发现和转化科学咨询团队中，我们通常采用两种主要方法：监督机器学习方法和基于图的方法：
基于机器学习的方法：
该方法旨在预测毒性，并且非常灵活，因此可以使用或不使用任何实验性临床前和临床信息。它可以应用于两种场景：
当我们拥有代表该疾病的药物或药物组合 选择加入列表 的实验数据（良好的临床前模型、临床数据等）时。
当我们使用有关疾病生物标志物、途径、PPI 等的生物信这些组织如何识别分 息（例如来自 CDDI、Metabase）和药物的化学特性作为输入时。