Υγεία

Μοντέλο βαθιάς μάθησης προβλέπει ανεπιθύμητες αλληλεπιδράσεις μεταξύ φαρμάκων

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Μια ομάδα ερευνητών από το Ινστιτούτο Επιστήμης και Τεχνολογίας Gwangju (GIST) στη Νότια Κορέα έχει αναπτύξει ένα μοντέλο βαθιάς μάθησης που προβλέπει τις αλληλεπιδράσεις μεταξύ φαρμάκων (DDIs) με βάση τις επιδράσεις τους στην έκφραση γονιδίων. Οι DDIs μπορούν να είναι ένα σοβαρό πρόβλημα όταν λαμβάνονται πολλά φάρμακα ταυτόχρονα, οδηγώντας σε ανεπιθύμητες επιπτώσεις στην υγεία λόγω απροσδόκητων αλληλεπιδράσεων.

Η έρευνα δημοσιεύθηκε στο Περιοδικό Χημειοπληροφορικής.

Πρόωρη Ανίχνευση των DDIs

Πολλές σύνθετες ασθένειες απαιτούν την συνταγογράφηση πολλαπλών φαρμάκων, ή πολυφαρμακίας. Ωστόσο, η κατάποση πολλαπλών φαρμάκων μπορεί να οδηγήσει σε όλων των ειδών τις απροσδόκητες και ανεπιθύμητες αλληλεπιδράσεις, οι οποίες μπορούν να οδηγήσουν σε σοβαρές παρενέργειες ή μειωμένη κλινική αποτελεσματικότητα. Για να προληφθούν οι ασθενείς από τέτοιες ανεπιθύμητες επιπτώσεις, αυτές οι DDIs πρέπει να ανιχνευτούν πρώιμα.

Οι τρέχουσες προσεγγίσεις περιλαμβάνουν υπολογιστικά μοντέλα και αλγόριθμους που βασίζονται σε νευρωνικά δίκτυα που εξετάζουν προηγούμενα αρχεία γνωστών αλληλεπιδράσεων φαρμάκων πριν από την αναγνώριση των δομών και των παρενεργειών με τις οποίες συνδέονται. Ωστόσο, αυτά τα συστήματα υποθέτουν ότι παρόμοια φάρμακα έχουν παρόμοιες αλληλεπιδράσεις και αναγνωρίζουν συνδυασμούς φαρμάκων με παρόμοιες ανεπιθύμητες επιπτώσεις.

Η ομάδα έθεσε ως στόχο την ανάπτυξη ενός νέου μοντέλου για να ξεπεραστούν ορισμένους από αυτούς τους περιορισμούς. Της ομάδας ηγήθηκαν τον αναπληρωτή καθηγητή Hojung Nam και τον υποψήφιο διδάκτορα Eunyoung Kim από το GIST. Ανέπτυξαν ένα μοντέλο βαθιάς μάθησης για να προβλέψουν τις DDIs με βάση τις υπογραφές έκφρασης γονιδίων που προκαλούνται από τα φάρμακα.

Μοντέλο DeSIDE-DDI

Το μοντέλο, που ονομάζεται DeSIDE-DDI, αποτελείται από δύο μέρη:

  • Πρώτο Μέρος: Ένα μοντέλο παραγωγής χαρακτηριστικών που προβλέπει την επίδραση ενός φαρμάκου στην έκφραση γονιδίων. Αυτό το κάνει λαμβάνοντας υπόψη τόσο τη δομή όσο και τις ιδιότητες του φαρμάκου.
  • Δεύτερο Μέρος: Ένα μοντέλο πρόβλεψης DDIs που προβλέπει διάφορες παρενέργειες που προκύπτουν από συνδυασμούς φαρμάκων.

«Το μοντέλο μας λαμβάνει υπόψη τις επιδράσεις των φαρμάκων στα γονίδια με τη χρήση δεδομένων έκφρασης γονιδίων, παρέχοντας μια εξήγηση για το γιατί ένα συγκεκριμένο ζευγάρι φαρμάκων προκαλεί DDIs», λέει ο καθηγητής Nam. «Μπορεί να προβλέψει DDIs για φάρμακα που έχουν εγκριθεί ήδη, καθώς και για νέες χημικές ενώσεις. Με αυτόν τον τρόπο, οι απειλές της πολυφαρμακίας μπορούν να επιλυθούν πριν τα νέα φάρμακα γίνουν διαθέσιμα στο κοινό.»

Δεν διαθέτουν όλες οι χημικές ενώσεις μετρημένα προφίλ γονιδιακής έκφρασης μετά από φαρμακευτική έκθεση. Γι’ αυτό το νέο μοντέλο χρησιμοποιεί ένα προεκπαιδευμένο μοντέλο παραγωγής χαρακτηριστικών για να παράγει τα αναμενόμενα προφίλ γονιδιακής έκφρασης μετά την έκθεση σε φάρμακο.

«Αυτό το μοντέλο μπορεί να διακρίνει δυνητικά επικίνδυνα ζεύγη φαρμάκων, ενεργώντας ως σύστημα παρακολούθησης ασφάλειας φαρμάκων. Μπορεί να βοηθήσει τους ερευνητές να ορίσουν τη σωστή χρήση του φαρμάκου στη φάση ανάπτυξης του φαρμάκου», συνεχίζει ο καθηγητής Nam.

Το νέο μοντέλο είναι ένα τεράστιο βήμα μπροστά στην βελτίωση της ασφάλειας των νέων φαρμάκων και θα παρέχει πολύ αναγκαία ενημέρωση σχετικά με τις DDIs και τις ανεπιθύμητες επιπτώσεις τους.

mm

Ο Alex ηγείται των ειδησεογραφικών λειτουργιών που τροφοδοτούνται από AI της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για την υποστήριξη έγκαιρης και κλιμακώσιμης κάλυψης της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις του AI εμφανίζονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.