Modèle d’apprentissage profond prédit les interactions médicamenteuses adverses

Une équipe de chercheurs de l’Institut de science et de technologie de Gwangju (GIST) en Corée du Sud a développé un modèle d’apprentissage profond qui prédit les interactions médicamenteuses (DDI) en fonction de leurs effets sur l’expression des gènes. Les DDI peuvent être un problème grave lors de la prise de plusieurs médicaments en même temps, entraînant des effets de santé adverses en raison d’interactions inattendues.

La recherche a été publiée dans le Journal of Cheminformatics.

Détection précoce des DDI

De nombreuses maladies complexes nécessitent la prescription de plusieurs médicaments, ou polypharmacie. Avec cela, la prise de plusieurs médicaments peut entraîner toutes sortes d’interactions inattendues et indésirables, qui peuvent entraîner des effets secondaires graves ou une efficacité clinique réduite. Pour prévenir les patients de rencontrer de tels effets adverses, ces DDI doivent être détectées tôt.

Les approches actuelles impliquent des modèles informatiques et des algorithmes basés sur les réseaux de neurones qui examinent les dossiers antérieurs d’interactions médicamenteuses connues avant d’identifier les structures et les effets secondaires qu’ils sont associés. Cependant, ces systèmes supposent que des médicaments similaires ont des interactions similaires et identifient des combinaisons de médicaments avec des effets adverses similaires.

L’équipe a cherché à développer un nouveau modèle pour contourner certaines de ces limites. L’équipe était dirigée par le professeur associé Hojung Nam et le candidat au doctorat Eunyoung Kim de GIST. Ils ont développé un modèle d’apprentissage profond pour prédire les DDI en fonction des signatures d’expression des gènes induites par les médicaments.

Modèle DeSIDE-DDI

Le modèle, nommé DeSIDE-DDI, se compose de deux parties :

• Première partie : Un modèle de génération de fonctionnalités qui prédit l’effet d’un médicament sur l’expression des gènes. Il le fait en considérant à la fois la structure et les propriétés du médicament.
• Deuxième partie : Un modèle de prédiction de DDI qui prédit divers effets secondaires qui résultent de combinaisons de médicaments.

« Notre modèle prend en compte les effets des médicaments sur les gènes en utilisant les données d’expression des gènes, ce qui fournit une explication de pourquoi une paire de médicaments donnée provoque des DDI », déclare le professeur Nam. « Il peut prédire les DDI pour les médicaments actuellement approuvés ainsi que pour les composés nouveaux. De cette façon, les menaces de la polypharmacie peuvent être résolues avant que les nouveaux médicaments ne soient mis à la disposition du public. »

Tous les composés n’ont pas de signatures d’expression des gènes traitées par les médicaments, le nouveau modèle repose donc sur un modèle de génération de composés pré-entraîné pour générer des expressions des gènes traitées par les médicaments attendues.

« Ce modèle peut discerner des paires de médicaments potentiellement dangereuses, agissant comme un système de surveillance de la sécurité des médicaments. Il peut aider les chercheurs à définir l’utilisation correcte du médicament lors de la phase de développement du médicament », poursuit le professeur Nam.

Le nouveau modèle constitue un grand pas en avant pour améliorer la sécurité des médicaments nouveaux, et il fournira des informations précieuses sur les DDI et leurs effets adverses.