Modèle d’apprentissage profond pour prédire les interactions médicamenteuses adverses

Une équipe de chercheurs de l’Institut des sciences et de la 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 lorsque plusieurs médicaments sont pris en même temps, entraînant des effets de santé adverses dus à des 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, l’ingestion 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 détectés tôt.

Les approches actuelles impliquent des modèles computationnels 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 qui leur sont associés. Cependant, ces systèmes supposent que des médicaments similaires ont des interactions similaires et identifient les combinaisons de médicaments avec des effets secondaires adverses similaires.

L’équipe a cherché à développer un nouveau modèle pour contourner certaines de ces limitations. 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 caractéristiques 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 des 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 certaine paire de médicaments 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, donc le nouveau modèle repose sur un modèle de génération de composés pré-entraîné pour générer des expressions des gènes traitées par les médicaments attendues.

« Ce modèle peut discerner les 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 énorme progrès dans l’amélioration de la sécurité des médicaments nouveaux, et il fournira des informations précieuses sur les DDI et leurs effets secondaires.