Syvän oppimisen malli ennustaa haitalliset lääke-lääkevuorovaikutukset

Etelä-Korean Gwangju Institute of Science and Technology (GIST) -tutkimusryhmä on kehittänyt syvän oppimisen mallin, joka ennustaa lääke-lääkevuorovaikutuksia (DDI) lääkeaineiden vaikutusten perusteella geenien ilmentymiseen. DDI:t voivat olla vakava ongelma, kun useita lääkkeitä käytetään samaan aikaan, johtuen odottamattomista vuorovaikutuksista, jotka voivat johtaa vakaviin terveyshaittoihin.

Tutkimus on julkaistu Journal of Cheminformatics-julkaisussa.

Varhainen DDI-havaitseminen

Monet monimutkaiset sairaudet vaativat useiden lääkeaineiden määräämistä, eli polyfarmasiaa. Tällöin useiden lääkeaineiden käyttö voi johtaa odottamattomiin ja ei-toivottuihin vuorovaikutuksiin, jotka voivat johtaa vakaviin sivuvaikutuksiin tai heikentää lääkeaineiden tehoa. Jotta potilaat voivat välttää näitä haitallisia vaikutuksia, DDI:t on havaittava aikaisin.

Nykyiset lähestymistavat käyttävät laskennallisia malleja ja neuroverkkoalgoritmeja, jotka tarkastelevat aiemmin tunnettuja lääkevuorovaikutuksia ennen kuin ne tunnistavat lääkeaineiden rakenteita ja sivuvaikutuksia. Näiden järjestelmien on kuitenkin oletettava, että samankaltaisilla lääkeaineilla on samankaltaisia yhteisvaikutuksia ja tunnistavat lääkeyhdistelmiä, joilla on samankaltaisia haitallisia vaikutuksia.

Tutkimusryhmä pyrki kehittämään uuden mallin, jotta voisi välttää joitakin näistä rajoituksista. Ryhmää johti apulaisprofessori Hojung Nam ja väitöskirjatutkija Eunyoung Kim GIST:stä. He kehittivät syvän oppimisen mallin, joka ennustaa DDI:itä lääkeaineiden aiheuttamien geenien ilmentymisprofiilien perusteella.

DeSIDE-DDI-malli

Malli, joka on nimeltään DeSIDE-DDI, koostuu kahdesta osasta:

• Ensimmäinen osa: Piirteiden muodostamismalli, joka ennustaa lääkkeen vaikutuksen geenien ilmentymiseen ottamalla huomioon sekä lääkkeen rakenteen että ominaisuudet.
  
• Toinen osa: DDI-ennustamismalli, joka ennustaa erilaisia haitallisia vaikutuksia, jotka johtuvat lääkeyhdistelmistä.

“Malli huomioi lääkeaineiden vaikutukset geeneihin käyttämällä geenien ilmentymisdataa, mikä selittää, miksi tietty lääkepari aiheuttaa DDI:itä”, Prof. Nam sanoo. “Se voi ennustaa DDI:itä sekä jo hyväksyttyjen lääkeaineiden että uusien yhdisteiden osalta. Tällä tavoin polyfarmasian uhkat voidaan ratkaista ennen kuin uudet lääkeaineet tulevat yleisön saataville. ”

Kaikista yhdisteistä ei ole saatavilla lääkealtistuksen aiheuttamia geenien ilmentymisprofiileja, joten uusi malli käyttää esikoulutettua piirteiden muodostamismallia ennustettujen, lääkekäsittelyn jälkeisten geenien ilmentymisprofiilien tuottamiseen.

“Tämä malli voi erottaa mahdollisesti vaaralliset lääkeparit, toimien lääketurvallisuuden valvontajärjestelmänä. Se voi auttaa tutkijoita määrittämään lääkeaineen oikean käytön lääkekehitysvaiheessa”, Prof. Nam jatkaa.

Uusi malli on suuri askel uusien lääkeaineiden turvallisuuden parantamiseksi, ja se tarjoaa tarpeen mukaisen näkymän DDI:ihin ja niiden haitallisiin vaikutuksiin.