本研究基于藥物基因組理論，開發了一款藥物基因位點解讀與臨床安全用藥指導的軟件系統，旨在通過精準高效的藥物基因位點檢測和解讀，為臨床提供藥物使用安全性和有效性的指導。系統采用面向服務的分布式架構（SOA）設計，利用 Docker 容器虛擬化技術進行系統平臺搭建，實現了快速全自動的藥物基因組解讀。前端采用 HTML5 和 JavaScript 實現用戶數據交互以及分析結果的可視化。經過測試應用，結果表明該系統軟件運行穩定可靠。該系統對于推動藥物基因組學的發展以及患者個性化用藥的臨床實踐具有重要意義。
引用本文： 丁瑞豐, 徐秀林, 慶濤, 胡秀枋. 藥物治療相關基因位點解讀與用藥指導軟件系統的設計. 生物醫學工程學雜志, 2019, 36(4): 657-663. doi: 10.7507/1001-5515.201805001 復制
引言
藥物基因組學是研究基因變異所導致的不同疾病對于藥物的不同反應，并在此基礎上研制出新藥或新的用藥方法，旨在為個性化藥物選擇和藥物使用提供指導，避免藥物不良反應，為最大限度地提高藥物療效提供科學依據，在研究個體對藥物反應表型差異方面有著十分重要的貢獻[1-4]。基因組學研究發現了大量與藥物安全性以及療效相關的遺傳位點，并可用于預測常用藥物的療效和毒性風險。通過基因測序、聚合酶鏈式反應（polymerase chain reaction，PCR）等技術，對不同個體的藥物相關基因（受體基因、轉運體和藥物代謝酶）進行檢測，進而利用藥物基因組學數據庫解讀檢測位點，為臨床醫師提供患者相關基因型資料以及給藥方案，減少藥物的毒副反應和提高藥物的療效，同時減輕患者的痛苦和經濟負擔。
近年來，美國、法國等西方發達國家越來越重視藥物基因組學，均出臺了相應的規章制度[5-6]，對其在藥物研發中的應用進行規定。應用藥物基因組學指導治療，在西方國家率先獲得應用，并建立了幾個國家藥物基因組學系統，例如英國藥物遺傳學和分層醫學系統等。
如今，許多已上市的藥物，其臨床療效在不同的個體間有著明顯的差異，且由于個體差異引起的藥物不良反應頻發。據統計，多數藥物在大約 33% 的患者中難以得到令其滿意的療效，大約 17% 的患者會產生不同程度的藥物不良反應，總體的藥物安全有效率不到 50%[7]。個體間的藥物安全性以及藥物有效性的差異問題，逐步受到臨床的高度關注。在我國，絕大多數上市的藥物在研發階段并沒有應用基因組學進行相關研究，許多患者根據推薦的藥物劑量使用時，出現了意料之外的藥物不良反應或者藥物無效的情況[8-9]。目前的研究表明，由于患者個體的基因型差異，大部分藥物的毒性和有效性也有所差異，針對不同基因型的患者，藥物劑量應當有所調整。因此，臨床上需要利用藥物基因組學技術來進行個性化的治療。
本研究開發了一款藥物基因位點解讀與臨床安全用藥指導的軟件系統，旨在通過精準高效的藥物基因位點檢測和解讀，為臨床提供藥物使用安全性和有效性的指導。其可對神經內科藥物、腫瘤藥物、心血管藥物、消化系統疾病藥物、風濕免疫科藥物等多種藥物種類進行毒副作用、藥效抵抗和藥物劑量三個方面的評估。本研究利用藥物基因組數據庫，深入挖掘和篩選與藥物相關的突變基因，數據庫納入了藥物治療靶點與美國食品藥品監督管理局（U. S. Food and Drug Administration，FDA）靶向治療藥物信息，針對 629 種藥物的療效與不良反應進行預測，并且開發了一款網頁工具，用于本系統軟件快速自動化的基因組解讀和結果的可視化，提供快速準確的藥物基因位點檢測解讀服務與基于個體基因組的用藥指導報告。
1 系統軟件的總體設計
本軟件系統基于藥物基因組理論，應用 Docker 容器虛擬化技術，采用面向服務的分布式架構（service-oriented architecture，SOA）設計，構建了藥物治療相關基因位點解讀與臨床安全用藥指導的軟件系統。該軟件系統的結構如圖 1 所示，分為三大模塊：① 數據庫模塊，主要包括藥物基因組數據庫及患者臨床信息數據庫；② 前端界面窗口模塊，利用網頁瀏覽器實現用戶注冊、登錄管理、任務提交、任務刪除和結果查閱等功能操作，并實現了分析結果的可視化；③ 后端服務器模塊，主要進行基因診斷分析及計算，其數據分析主要基于 R 語言實現。通過網頁服務器，利用 HTML5 和 JavaScript 實現前端和后臺的數據交互，開發過程遵循瀏覽器和服務器（browser/server，B/S）結構應用開發的總體原則。
圖1
系統軟件結構圖
Figure1.
Structure diagram of system software
2 軟件系統子模塊設計
2.1 系統數據庫模塊
2.1.1 藥物基因組數據庫
本研究從多個開源數據庫收集了藥物和基因位點相互作用信息以及靶向治療藥物等信息，構建了系統化的藥物基因組解讀數據庫。數據來源包括 PharmGKB 數據庫、FDA Drug Label 數據庫以及 Drug Bank 數據庫[10-12]。數據庫涵蓋藥物分子的序列、結構，能夠提供基因與遺傳多態性位點相關性的注釋、藥物劑量和藥物安全性指南等詳細信息，其中，藥物的注釋涉及藥物吸收、藥物動力學、藥物代謝和藥物排泄等關鍵酶和轉運體相關基因。系統收錄數據庫主要信息統計如表 1 所示。本研究采用 MySQL 軟件構建數據庫，采用 R-RMySQL 包實現數據的保存、檢索和數據模型構建。數據庫的實體聯系圖如圖 2 所示。
表1
系統收錄數據庫主要信息統計
Table1.
The main information statistics of the database included in the system
圖2
數據庫的實體聯系圖
Figure2.
Entity relationship diagram of the database
2.1.2 患者臨床信息數據庫
系統構建了患者臨床信息數據庫，使信息管理科學化、規范化，方便臨床數據的保存、檢索和統計。患者臨床信息數據項內容有：患者姓名、編號、性別、年齡、身份證號、籍貫、既往史、過敏情況等，便于醫生結合臨床信息，為患者提供更為準確、全面的藥物治療方案。系統采集患者治療信息，便于進一步通過臨床實例數據，完善藥物基因組數據庫。
2.2 基于 Docker 容器技術的研發環境搭建
首先，利用 Docker 容器配置出相對應的運行環境，并創建 Docker 鏡像。為了實現容器間的數據共享及通信，在容器創建時，通過創建命令，配置開放容器的端口以及目錄共享，實現容器和本地主機的端口映射及數據共享，進而解決了虛擬系統模塊之間的集成問題。最后，完善虛擬結構，即運行如下三個 Docker 容器模塊：
（1）前端界面窗口模塊：采用 Apache-httpd 鏡像作為系統網頁服務器，提供系統后臺服務，并將 8080 端口開放給外界訪問軟件系統界面；
（2）數據庫模塊：采用 MySQL 鏡像構建系統數據庫軟件模塊，通過 3306 端口提供系統數據存儲、管理和數據分析查詢服務；
（3）后端服務器模塊：利用 r-base 鏡像構建系統后端分析模塊，提供系統分析語言 R 語言運行時的環境空間。
2.3 系統界面模塊
2.3.1 用戶管理系統
網頁系統主界面包括用戶注冊和登錄功能，用戶可以通過系統右上角的“注冊”和“登陸”按鈕完成操作。系統會長期保存注冊用戶的所有數據和任務。臨時用戶可以通過首頁“運行”按鈕進行匿名登錄。系統將根據瀏覽器儲存在用戶本地終端上的數據（Cookie）管理臨時用戶的數據和任務。
2.3.2 任務管理界面
當用戶登錄后，系統將跳轉到任務管理界面，任務提交之前需要上傳數據，數據來自于基因測序數據分析獲得的突變數據（例如 VCF 文件）或者 PCR 突變位點檢測結果。PCR 突變位點檢測結果需包含染色體、起止位點、堿基變化等信息。任務提交則需依次進行如下操作：① 點擊“選擇一個突變文件”；② 選擇用藥類型，即患者被診斷需要用哪種類型藥物；③ 填寫任務名稱，便于任務的管理；④ 點擊操作界面的“運行”按鈕向系統提交任務。用戶所提交的數據可以在工具欄“我的數據”中進行查看，提交的任務可以在“我的任務”中進行查看。本系統還提供了詳細的說明文檔，點擊右上角的“?”符號，選擇教程，系統會跳轉到幫助界面。
2.4 基因診斷分析模塊
系統根據構建的藥物基因組學數據庫，對用戶提交的位點進行深入分析，尋找藥物治療相關的突變基因和位點，檢索系統藥物基因組數據庫，針對 629 種藥物的療效與不良反應進行注釋。由于本系統需要進行大量的分析計算，并且需要對匹配出來的結果進行分析，而 R 語言包含了目前所有的統計算法，其在數據可視化分析方面具有非常大的優勢，適用于各種數據的分析及可視化操作，因此選用 R 語言作為本系統數據分析編程語言，其計算分析過程如圖3 所示。
圖3
計算分析流程圖
Figure3.
Flow chart of calculation analysis
2.4.1 數據來源
用戶提交的基因組突變數據，分為兩種格式類型：① 基于基因組測序獲得的 VCF 文件，位點較多，需另外進行篩選過濾；② 通過 PCR 檢測獲得的突變位點信息，位點數量較少。
2.4.2 突變位點過濾與篩選
用戶提交 VCF 格式的基因組突變數據，首先要對突變位點進行過濾，除掉可靠性低的位點，過濾的標準包括：位點區域測序深度和質量評分。VCF 文件中：DP 列即為覆蓋到這個位點的總的 Reads 數量，相當于這個位點的深度；GQ 值則代表基因型在 Phred 標準下的質量值[13]，GQ 值越高，該位點此基因型存在的可能性越大。本系統按照序列測序深度不低于 5× 且不高于 100×，質量值不低于 20 進行位點過濾篩選，最終獲得可靠的基因組上單核苷酸多態性（single nucleotide polymorphisms，SNP）位點。
2.4.3 藥物反應預測
經過突變位點過濾篩選后的數據，利用 R 編程語言對明確的 SNP 位點進行藥物基因數據庫數據檢索，通過提取出其藥物基因區域位點，將檢索匹配后的結果存儲到對應的患者數據庫結果字段下。
2.5 結果報告模塊
本系統利用藥物基因組數據庫，可以準確給出相應的治療靶點和治療藥物信息，主要展示患者是否攜帶藥物治療靶點，并且自動化生成解讀報告。患者報告生成流程圖如圖4 所示。報告內容包括患者的基本信息、臨床信息（用戶填寫）、藥物靶點、突變基因等信息。用戶可以將報告保存為 PDF 格式的文檔，如圖5 所示。
圖5
自動化分析解讀報告
Figure5.
Automated analysis and interpretation report
圖4
報告生成流程圖
Figure4.
Flow chart of report generation
3 系統測試結果
臨床有效治療腦梗死的抗血小板聚集類西藥，主要有阿司匹林與氯吡格雷兩種，其對于防止血栓形成、動脈硬化形成作用明顯。但據統計，5%～60% 的患者會產生阿司匹林抵抗，4%～30% 的患者在治療期間出現氯吡格雷療效下降，甚至出現氯吡格雷抵抗，導致重大血管事件發生的危險性相應增高[14]，主要原因是人體基因的變異體對藥物動力學及藥效動力學產生了不同程度的影響。
氯吡格雷是一種抗血小板藥物，主要依賴 CYP2C19 基因的代謝生成活性代謝產物，CYP2C19 基因的變異體，會對氯吡格雷的藥效動力學及藥物動力學產生不同程度的干擾。根據 2010 年美國 FDA 所修改的氯吡格雷說明書的要求，醫生對患者的用藥方案應該參考 CYP2C19 基因型的檢測結果，提示 CYP2C19*2 基因 GA 型與 AA 型將提高血栓風險，使藥效下降[15-16]。而阿司匹林用藥的主要風險是腸出血和卒中，CYP2D6 是出血的關鍵基因，ITGB3 是決定出血量大小的基因，PTGS2 是有關阿司匹林引起腦卒中的基因。判斷依據是：PTGS2 基因 CC 型不推薦使用阿司匹林；CYP2D6 基因 GA 型和 GG 型有較高的腸出血風險；ITGB3 基因 AA 型及 AT 型將導致出血量增加，出現腸出血風險的時候就要考慮出血量的問題[17-18]。
為了驗證本系統的有效性，我們選取了 60 例臨床案例進行系統驗證。研究經上海華山醫院倫理委員會（編號 KY-2015-256）和上海交通大學附屬胸科醫院（編號 CTONG1509ML29943）批準，參與研究的所有患者在入組前都簽署了書面知情同意書。納入標準：① 均符合腦卒中的診斷標準，經顱腦核磁共振（magnetic resonance imaging，MRI）證實；② 年齡 > 18 周歲；③ 無消化道出血史、消化性潰瘍史及其他腦部疾病；④ 患者意識清楚；⑤ 隨訪資料完整。排除標準：① 有其他危及生命的嚴重疾病；② 惡病質；③ 合并惡性腫瘤；④ 存在阿司匹林和氯吡格雷用藥禁忌；⑤ 妊娠期及哺乳期婦女；⑥ 合并血液系統疾病、出血疾病及血小板計數異常者。實驗組包括 26 名男性，34 名女性，年齡 52～79 歲，分為 2 組，每組 30 人，實驗組 1 針對藥物阿司匹林，實驗組 2 針對藥物氯吡格雷。治療前對患者進行藥物基因檢測，突變位點信息用本系統軟件進行測試與評估，測試時將通過 PCR 檢測獲得的突變位點信息整理成表格錄入系統，對于系統提示建議用藥優先選擇替代藥物或聯合用藥的患者，由醫生選擇合適的替代用藥方案給予患者治療，并對所有患者給予調脂、降顱壓等輔助治療，均治療 15 d，檢測結果統計如表2 所示。
表2
檢測結果
Table2.
Test results
王瑋霄等[19]采用傳統臨床治療腦梗死患者的方案，比較了阿司匹林和氯吡格雷對腦梗死患者的臨床療效及不良反應。按給藥方式不同對 180 例腦梗死患者進行治療，其中 100 例采用氯吡格雷治療，80 例采用阿司匹林治療。結果顯示阿司匹林與氯吡格雷治療腦梗死均有效，氯吡格雷不良反應少，但兩種治療方式均發生了出血事件。對本研究中兩實驗組患者經檢測與指導治療后發生出血事件的藥物抵抗率隨訪信息進行統計，采用 χ2 檢驗與王瑋霄等[19]采用傳統臨床治療腦梗死方案所發生的藥物抵抗率進行對比，如表3 所示。結果顯示，實驗組與傳統治療方案發生出血事件的藥物抵抗率差異有統計學意義（P < 0.05），患者經本系統指導用藥后，均未發生出血事件，說明利用本系統軟件進行個人基因組解讀，檢測結果準確，證明了本系統軟件的準確性與可行性。
表3
藥物抵抗率統計結果
Table3.
Statistical results of drug resistance
4 總結與展望
本文所提出的藥物基因位點解讀與臨床安全用藥指導的軟件系統，其優越性在于全面、精準和便捷，并且構建了系統化的藥物基因組解讀數據庫，納入了治療靶點和治療藥物信息，在目前對藥物基因組學缺乏充分認識的情況下，該系統可以為基因-藥物的研究提供數據支持。此外，自動化的解讀和電子報告系統極大地簡化了個人基因組解讀流程，加速了藥物基因組測序在科研和臨床中的應用。因此，本文的研究為藥物基因組學的臨床應用奠定了堅實的基礎。
本研究可為醫師提供可靠的診斷數據，通過個人基因組測序的解讀與用藥指導系統的應用，醫生可以明確給予基于基因遺傳變異的治療方案，為患者制定適合的、個性化的治療決策，其對于推動藥物基因組學的發展及患者個性化用藥具有重要意義。
隨著藥物基因組學的發展和基因測序技術的不斷提高，該系統尚可進行進一步優化，以滿足各種復雜病情患者的需求。例如，目前研究的靶向治療藥物數量有限，系統只能為明確攜帶藥物治療靶點的患者提供用藥指導。我國在藥物基因組學研究領域的藥物臨床研究指南、相關法律法規均尚未出臺，利用該方法進行研究和技術應用需要更多的新藥驗證，基因與藥物之間的關聯性需要更深入的探討。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
藥物基因組學是研究基因變異所導致的不同疾病對于藥物的不同反應，并在此基礎上研制出新藥或新的用藥方法，旨在為個性化藥物選擇和藥物使用提供指導，避免藥物不良反應，為最大限度地提高藥物療效提供科學依據，在研究個體對藥物反應表型差異方面有著十分重要的貢獻[1-4]。基因組學研究發現了大量與藥物安全性以及療效相關的遺傳位點，并可用于預測常用藥物的療效和毒性風險。通過基因測序、聚合酶鏈式反應（polymerase chain reaction，PCR）等技術，對不同個體的藥物相關基因（受體基因、轉運體和藥物代謝酶）進行檢測，進而利用藥物基因組學數據庫解讀檢測位點，為臨床醫師提供患者相關基因型資料以及給藥方案，減少藥物的毒副反應和提高藥物的療效，同時減輕患者的痛苦和經濟負擔。
近年來，美國、法國等西方發達國家越來越重視藥物基因組學，均出臺了相應的規章制度[5-6]，對其在藥物研發中的應用進行規定。應用藥物基因組學指導治療，在西方國家率先獲得應用，并建立了幾個國家藥物基因組學系統，例如英國藥物遺傳學和分層醫學系統等。
如今，許多已上市的藥物，其臨床療效在不同的個體間有著明顯的差異，且由于個體差異引起的藥物不良反應頻發。據統計，多數藥物在大約 33% 的患者中難以得到令其滿意的療效，大約 17% 的患者會產生不同程度的藥物不良反應，總體的藥物安全有效率不到 50%[7]。個體間的藥物安全性以及藥物有效性的差異問題，逐步受到臨床的高度關注。在我國，絕大多數上市的藥物在研發階段并沒有應用基因組學進行相關研究，許多患者根據推薦的藥物劑量使用時，出現了意料之外的藥物不良反應或者藥物無效的情況[8-9]。目前的研究表明，由于患者個體的基因型差異，大部分藥物的毒性和有效性也有所差異，針對不同基因型的患者，藥物劑量應當有所調整。因此，臨床上需要利用藥物基因組學技術來進行個性化的治療。
本研究開發了一款藥物基因位點解讀與臨床安全用藥指導的軟件系統，旨在通過精準高效的藥物基因位點檢測和解讀，為臨床提供藥物使用安全性和有效性的指導。其可對神經內科藥物、腫瘤藥物、心血管藥物、消化系統疾病藥物、風濕免疫科藥物等多種藥物種類進行毒副作用、藥效抵抗和藥物劑量三個方面的評估。本研究利用藥物基因組數據庫，深入挖掘和篩選與藥物相關的突變基因，數據庫納入了藥物治療靶點與美國食品藥品監督管理局（U. S. Food and Drug Administration，FDA）靶向治療藥物信息，針對 629 種藥物的療效與不良反應進行預測，并且開發了一款網頁工具，用于本系統軟件快速自動化的基因組解讀和結果的可視化，提供快速準確的藥物基因位點檢測解讀服務與基于個體基因組的用藥指導報告。
1 系統軟件的總體設計
本軟件系統基于藥物基因組理論，應用 Docker 容器虛擬化技術，采用面向服務的分布式架構（service-oriented architecture，SOA）設計，構建了藥物治療相關基因位點解讀與臨床安全用藥指導的軟件系統。該軟件系統的結構如圖 1 所示，分為三大模塊：① 數據庫模塊，主要包括藥物基因組數據庫及患者臨床信息數據庫；② 前端界面窗口模塊，利用網頁瀏覽器實現用戶注冊、登錄管理、任務提交、任務刪除和結果查閱等功能操作，并實現了分析結果的可視化；③ 后端服務器模塊，主要進行基因診斷分析及計算，其數據分析主要基于 R 語言實現。通過網頁服務器，利用 HTML5 和 JavaScript 實現前端和后臺的數據交互，開發過程遵循瀏覽器和服務器（browser/server，B/S）結構應用開發的總體原則。
圖1
系統軟件結構圖
Figure1.
Structure diagram of system software
2 軟件系統子模塊設計
2.1 系統數據庫模塊
2.1.1 藥物基因組數據庫
本研究從多個開源數據庫收集了藥物和基因位點相互作用信息以及靶向治療藥物等信息，構建了系統化的藥物基因組解讀數據庫。數據來源包括 PharmGKB 數據庫、FDA Drug Label 數據庫以及 Drug Bank 數據庫[10-12]。數據庫涵蓋藥物分子的序列、結構，能夠提供基因與遺傳多態性位點相關性的注釋、藥物劑量和藥物安全性指南等詳細信息，其中，藥物的注釋涉及藥物吸收、藥物動力學、藥物代謝和藥物排泄等關鍵酶和轉運體相關基因。系統收錄數據庫主要信息統計如表 1 所示。本研究采用 MySQL 軟件構建數據庫，采用 R-RMySQL 包實現數據的保存、檢索和數據模型構建。數據庫的實體聯系圖如圖 2 所示。
表1
系統收錄數據庫主要信息統計
Table1.
The main information statistics of the database included in the system
圖2
數據庫的實體聯系圖
Figure2.
Entity relationship diagram of the database
2.1.2 患者臨床信息數據庫
系統構建了患者臨床信息數據庫，使信息管理科學化、規范化，方便臨床數據的保存、檢索和統計。患者臨床信息數據項內容有：患者姓名、編號、性別、年齡、身份證號、籍貫、既往史、過敏情況等，便于醫生結合臨床信息，為患者提供更為準確、全面的藥物治療方案。系統采集患者治療信息，便于進一步通過臨床實例數據，完善藥物基因組數據庫。
2.2 基于 Docker 容器技術的研發環境搭建
首先，利用 Docker 容器配置出相對應的運行環境，并創建 Docker 鏡像。為了實現容器間的數據共享及通信，在容器創建時，通過創建命令，配置開放容器的端口以及目錄共享，實現容器和本地主機的端口映射及數據共享，進而解決了虛擬系統模塊之間的集成問題。最后，完善虛擬結構，即運行如下三個 Docker 容器模塊：
（1）前端界面窗口模塊：采用 Apache-httpd 鏡像作為系統網頁服務器，提供系統后臺服務，并將 8080 端口開放給外界訪問軟件系統界面；
（2）數據庫模塊：采用 MySQL 鏡像構建系統數據庫軟件模塊，通過 3306 端口提供系統數據存儲、管理和數據分析查詢服務；
（3）后端服務器模塊：利用 r-base 鏡像構建系統后端分析模塊，提供系統分析語言 R 語言運行時的環境空間。
2.3 系統界面模塊
2.3.1 用戶管理系統
網頁系統主界面包括用戶注冊和登錄功能，用戶可以通過系統右上角的“注冊”和“登陸”按鈕完成操作。系統會長期保存注冊用戶的所有數據和任務。臨時用戶可以通過首頁“運行”按鈕進行匿名登錄。系統將根據瀏覽器儲存在用戶本地終端上的數據（Cookie）管理臨時用戶的數據和任務。
2.3.2 任務管理界面
當用戶登錄后，系統將跳轉到任務管理界面，任務提交之前需要上傳數據，數據來自于基因測序數據分析獲得的突變數據（例如 VCF 文件）或者 PCR 突變位點檢測結果。PCR 突變位點檢測結果需包含染色體、起止位點、堿基變化等信息。任務提交則需依次進行如下操作：① 點擊“選擇一個突變文件”；② 選擇用藥類型，即患者被診斷需要用哪種類型藥物；③ 填寫任務名稱，便于任務的管理；④ 點擊操作界面的“運行”按鈕向系統提交任務。用戶所提交的數據可以在工具欄“我的數據”中進行查看，提交的任務可以在“我的任務”中進行查看。本系統還提供了詳細的說明文檔，點擊右上角的“?”符號，選擇教程，系統會跳轉到幫助界面。
2.4 基因診斷分析模塊
系統根據構建的藥物基因組學數據庫，對用戶提交的位點進行深入分析，尋找藥物治療相關的突變基因和位點，檢索系統藥物基因組數據庫，針對 629 種藥物的療效與不良反應進行注釋。由于本系統需要進行大量的分析計算，并且需要對匹配出來的結果進行分析，而 R 語言包含了目前所有的統計算法，其在數據可視化分析方面具有非常大的優勢，適用于各種數據的分析及可視化操作，因此選用 R 語言作為本系統數據分析編程語言，其計算分析過程如圖3 所示。
圖3
計算分析流程圖
Figure3.
Flow chart of calculation analysis
2.4.1 數據來源
用戶提交的基因組突變數據，分為兩種格式類型：① 基于基因組測序獲得的 VCF 文件，位點較多，需另外進行篩選過濾；② 通過 PCR 檢測獲得的突變位點信息，位點數量較少。
2.4.2 突變位點過濾與篩選
用戶提交 VCF 格式的基因組突變數據，首先要對突變位點進行過濾，除掉可靠性低的位點，過濾的標準包括：位點區域測序深度和質量評分。VCF 文件中：DP 列即為覆蓋到這個位點的總的 Reads 數量，相當于這個位點的深度；GQ 值則代表基因型在 Phred 標準下的質量值[13]，GQ 值越高，該位點此基因型存在的可能性越大。本系統按照序列測序深度不低于 5× 且不高于 100×，質量值不低于 20 進行位點過濾篩選，最終獲得可靠的基因組上單核苷酸多態性（single nucleotide polymorphisms，SNP）位點。
2.4.3 藥物反應預測
經過突變位點過濾篩選后的數據，利用 R 編程語言對明確的 SNP 位點進行藥物基因數據庫數據檢索，通過提取出其藥物基因區域位點，將檢索匹配后的結果存儲到對應的患者數據庫結果字段下。
2.5 結果報告模塊
本系統利用藥物基因組數據庫，可以準確給出相應的治療靶點和治療藥物信息，主要展示患者是否攜帶藥物治療靶點，并且自動化生成解讀報告。患者報告生成流程圖如圖4 所示。報告內容包括患者的基本信息、臨床信息（用戶填寫）、藥物靶點、突變基因等信息。用戶可以將報告保存為 PDF 格式的文檔，如圖5 所示。
圖5
自動化分析解讀報告
Figure5.
Automated analysis and interpretation report
圖4
報告生成流程圖
Figure4.
Flow chart of report generation
3 系統測試結果
臨床有效治療腦梗死的抗血小板聚集類西藥，主要有阿司匹林與氯吡格雷兩種，其對于防止血栓形成、動脈硬化形成作用明顯。但據統計，5%～60% 的患者會產生阿司匹林抵抗，4%～30% 的患者在治療期間出現氯吡格雷療效下降，甚至出現氯吡格雷抵抗，導致重大血管事件發生的危險性相應增高[14]，主要原因是人體基因的變異體對藥物動力學及藥效動力學產生了不同程度的影響。
氯吡格雷是一種抗血小板藥物，主要依賴 CYP2C19 基因的代謝生成活性代謝產物，CYP2C19 基因的變異體，會對氯吡格雷的藥效動力學及藥物動力學產生不同程度的干擾。根據 2010 年美國 FDA 所修改的氯吡格雷說明書的要求，醫生對患者的用藥方案應該參考 CYP2C19 基因型的檢測結果，提示 CYP2C19*2 基因 GA 型與 AA 型將提高血栓風險，使藥效下降[15-16]。而阿司匹林用藥的主要風險是腸出血和卒中，CYP2D6 是出血的關鍵基因，ITGB3 是決定出血量大小的基因，PTGS2 是有關阿司匹林引起腦卒中的基因。判斷依據是：PTGS2 基因 CC 型不推薦使用阿司匹林；CYP2D6 基因 GA 型和 GG 型有較高的腸出血風險；ITGB3 基因 AA 型及 AT 型將導致出血量增加，出現腸出血風險的時候就要考慮出血量的問題[17-18]。
為了驗證本系統的有效性，我們選取了 60 例臨床案例進行系統驗證。研究經上海華山醫院倫理委員會（編號 KY-2015-256）和上海交通大學附屬胸科醫院（編號 CTONG1509ML29943）批準，參與研究的所有患者在入組前都簽署了書面知情同意書。納入標準：① 均符合腦卒中的診斷標準，經顱腦核磁共振（magnetic resonance imaging，MRI）證實；② 年齡 > 18 周歲；③ 無消化道出血史、消化性潰瘍史及其他腦部疾病；④ 患者意識清楚；⑤ 隨訪資料完整。排除標準：① 有其他危及生命的嚴重疾病；② 惡病質；③ 合并惡性腫瘤；④ 存在阿司匹林和氯吡格雷用藥禁忌；⑤ 妊娠期及哺乳期婦女；⑥ 合并血液系統疾病、出血疾病及血小板計數異常者。實驗組包括 26 名男性，34 名女性，年齡 52～79 歲，分為 2 組，每組 30 人，實驗組 1 針對藥物阿司匹林，實驗組 2 針對藥物氯吡格雷。治療前對患者進行藥物基因檢測，突變位點信息用本系統軟件進行測試與評估，測試時將通過 PCR 檢測獲得的突變位點信息整理成表格錄入系統，對于系統提示建議用藥優先選擇替代藥物或聯合用藥的患者，由醫生選擇合適的替代用藥方案給予患者治療，并對所有患者給予調脂、降顱壓等輔助治療，均治療 15 d，檢測結果統計如表2 所示。
表2
檢測結果
Table2.
Test results
王瑋霄等[19]采用傳統臨床治療腦梗死患者的方案，比較了阿司匹林和氯吡格雷對腦梗死患者的臨床療效及不良反應。按給藥方式不同對 180 例腦梗死患者進行治療，其中 100 例采用氯吡格雷治療，80 例采用阿司匹林治療。結果顯示阿司匹林與氯吡格雷治療腦梗死均有效，氯吡格雷不良反應少，但兩種治療方式均發生了出血事件。對本研究中兩實驗組患者經檢測與指導治療后發生出血事件的藥物抵抗率隨訪信息進行統計，采用 χ2 檢驗與王瑋霄等[19]采用傳統臨床治療腦梗死方案所發生的藥物抵抗率進行對比，如表3 所示。結果顯示，實驗組與傳統治療方案發生出血事件的藥物抵抗率差異有統計學意義（P < 0.05），患者經本系統指導用藥后，均未發生出血事件，說明利用本系統軟件進行個人基因組解讀，檢測結果準確，證明了本系統軟件的準確性與可行性。
表3
藥物抵抗率統計結果
Table3.
Statistical results of drug resistance
4 總結與展望
本文所提出的藥物基因位點解讀與臨床安全用藥指導的軟件系統，其優越性在于全面、精準和便捷，并且構建了系統化的藥物基因組解讀數據庫，納入了治療靶點和治療藥物信息，在目前對藥物基因組學缺乏充分認識的情況下，該系統可以為基因-藥物的研究提供數據支持。此外，自動化的解讀和電子報告系統極大地簡化了個人基因組解讀流程，加速了藥物基因組測序在科研和臨床中的應用。因此，本文的研究為藥物基因組學的臨床應用奠定了堅實的基礎。
本研究可為醫師提供可靠的診斷數據，通過個人基因組測序的解讀與用藥指導系統的應用，醫生可以明確給予基于基因遺傳變異的治療方案，為患者制定適合的、個性化的治療決策，其對于推動藥物基因組學的發展及患者個性化用藥具有重要意義。
隨著藥物基因組學的發展和基因測序技術的不斷提高，該系統尚可進行進一步優化，以滿足各種復雜病情患者的需求。例如，目前研究的靶向治療藥物數量有限，系統只能為明確攜帶藥物治療靶點的患者提供用藥指導。我國在藥物基因組學研究領域的藥物臨床研究指南、相關法律法規均尚未出臺，利用該方法進行研究和技術應用需要更多的新藥驗證，基因與藥物之間的關聯性需要更深入的探討。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
