Drug-induced rhabdomyolysis (DIR) is a rare and potentially life-threatening muscle injury that is characterized by low incidence and high risk. To our best knowledge, the performance of the current predictive models for the early detection of DIR is suboptimal because of the scarcity and dispersion of DIR cases. Therefore, on the basis of the curated drug information from the Drug-Induced Rhabdomyolysis Atlas (DIRA) database, we proposed a random forest (RF) model to predict the DIR severity of the marketed drugs. Compared with the state-of-art methods, our proposed model outperformed extreme gradient boosting, support vector machine, and logistic regression in distinguishing the Most-DIR concern drugs from the No-DIR concern drugs (Matthews correlation coefficient (MCC) and recall rate of our model were 0.46 and 0.81, respectively). Our model was subsequently applied to predicting the potentially serious DIR for 1402 drugs, which were reported to cause DIR by the postmarketing DIR surveillance data in the FDA Spontaneous Adverse Events Reporting System (FAERS). As a result, 62.7% (94) of drugs ranked in the top 150 drugs with the Most-DIR concerns in FAERS can be identified by our model. The top four drugs (odds ratio >30) including acepromazine, rapacuronium, oxyphenbutazone, and naringenin were correctly predicted by our model. In conclusion, the RF model can well predict the Most-DIR concern drug only based on the chemical structure information and can be a facilitated tool for early DIR detection.

中文翻译：

---

使用随机森林对药物诱导的横纹肌溶解症的严重程度进行定量结构-活性关系 (QSAR) 模型

药物性横纹肌溶解症 (DIR) 是一种罕见且可能危及生命的肌肉损伤，其特点是发生率低、风险高。据我们所知，由于 DIR 案例的稀缺性和分散性，当前用于 DIR 早期检测的预测模型的性能并不理想。因此，基于来自药物诱导横纹肌溶解图谱（DIRA）数据库的精选药物信息，我们提出了一个随机森林（RF）模型来预测已上市药物的 DIR 严重程度。与最先进的方法相比，我们提出的模型在区分最 DIR 关注的药物和无 DIR 关注的药物（马修斯相关系数（MCC）和召回率方面优于极端梯度提升、支持向量机和逻辑回归）我们的模型分别为 0.46 和 0.81）。我们的模型随后被应用于预测 1402 种药物的潜在严重 DIR，据 FDA 自发不良事件报告系统 (FAERS) 的上市后 DIR 监测数据报告，这些药物会导致 DIR。因此，我们的模型可以识别出 62.7% (94) 位在 FAERS 中最受关注的前 150 种药物中的药物。我们的模型正确预测了前四种药物（优势比 > 30），包括乙酰丙嗪、雷帕库溴铵、羟苯丁酮和柚皮素。总之，RF 模型可以仅根据化学结构信息很好地预测最受 DIR 关注的药物，并且可以成为早期 DIR 检测的便利工具。FDA 自发不良事件报告系统 (FAERS) 中的上市后 DIR 监测数据报告称其导致 DIR。因此，我们的模型可以识别出 62.7% (94) 位在 FAERS 中最受关注的前 150 种药物中的药物。我们的模型正确预测了前四种药物（优势比 >30），包括乙酰丙嗪、雷帕库溴铵、羟苯丁酮和柚皮素。总之，RF 模型可以仅根据化学结构信息很好地预测最受 DIR 关注的药物，并且可以成为早期 DIR 检测的便利工具。FDA 自发不良事件报告系统 (FAERS) 中的上市后 DIR 监测数据报告称其导致 DIR。因此，我们的模型可以识别出 62.7% (94) 位在 FAERS 中最受关注的前 150 种药物中的药物。我们的模型正确预测了前四种药物（优势比 >30），包括乙酰丙嗪、雷帕库溴铵、羟苯丁酮和柚皮素。总之，RF 模型可以仅根据化学结构信息很好地预测最受 DIR 关注的药物，并且可以成为早期 DIR 检测的便利工具。我们的模型正确预测了柚皮素。总之，RF 模型可以仅根据化学结构信息很好地预测最受 DIR 关注的药物，并且可以成为早期 DIR 检测的便利工具。我们的模型正确预测了柚皮素。总之，RF 模型可以仅根据化学结构信息很好地预测最受 DIR 关注的药物，并且可以成为早期 DIR 检测的便利工具。