Deep learning forudsiger interaktioner mellem stof og mad

Lægemiddelinteraktioner, herunder lægemiddelinteraktioner (DDI'er) og lægemiddel-fødevarebestanddele interaktioner (DFI'er), kan udløse uventede farmakologiske virkninger, herunder uønskede lægemiddelhændelser (ADE'er), med årsagsmekanismer ofte ukendte. Imidlertid, nuværende forudsigelsesmetoder giver ikke tilstrækkelige detaljer ud over chancen for DDI-forekomst, eller kræver detaljerede lægemiddeloplysninger, som ofte ikke er tilgængelige for DDI-forudsigelse.

For at løse dette problem, Dr. Jae Yong Ryu, Adjunkt Hyun Uk Kim og den fremtrædende professor Sang Yup Lee, alle fra Institut for Kemi og Biomolekylær Teknik ved Korea Advanced Institute of Science and Technology (KAIST), udviklet en beregningsramme, opkaldt DeepDDI, der præcist forudsiger 86 DDI-typer for et givet lægemiddelpar. Forskningsresultaterne blev offentliggjort online i Proceedings of the National Academy of Sciences ( PNAS ) den 16. april, 2018, som har titlen "Dyb læring forbedrer forudsigelse af stof-narkotika- og stof-fødevare-interaktioner."

DeepDDI tager strukturel information og navne på to lægemidler i par som input, og forudsiger relevante DDI-typer for input-lægemiddelparret. DeepDDI bruger dybe neurale netværk til at forudsige 86 DDI-typer med en gennemsnitlig nøjagtighed på 92,4% ved at bruge DrugBank guldstandard DDI-datasættet, der dækker 192, 284 DDI'er bidraget med 191, 878 lægemiddelpar. Meget vigtigt, DDI-typer forudsagt af DeepDDI genereres i form af menneskelæselige sætninger som output, som beskriver ændringer i farmakologiske virkninger og/eller risikoen for ADE som følge af interaktionen mellem to lægemidler i par. For eksempel, DeepDDI output sætninger, der beskriver potentielle interaktioner mellem oxycodon (opioid smertestillende medicin) og atazanavir (antiretroviral medicin) blev genereret som følger:"Oxycodons metabolisme kan nedsættes, når det kombineres med Atazanavir"; og "Risikoen eller sværhedsgraden af ​​bivirkninger kan øges, når Oxycodone kombineres med Atazanavir". Ved at gøre dette, DeepDDI kan give mere specifik information om lægemiddelinteraktioner ud over risikoen for forekomst af DDI'er eller ADE'er, der typisk er rapporteret til dato.

DeepDDI blev først brugt til at forudsige DDI-typer af 2, 329, 561 lægemiddelpar fra alle mulige kombinationer af 2, 159 godkendte lægemidler, hvorfra DDI-typer på 487, 632 stofpar blev for nylig forudsagt. Også, DeepDDI kan bruges til at foreslå, hvilket lægemiddel eller mad der skal undgås under medicinering for at minimere chancen for uønskede lægemiddelhændelser eller optimere lægemidlets effektivitet. Til denne ende, DeepDDI blev brugt til at foreslå potentielle årsagsmekanismer for de rapporterede ADE'er på 9, 284 lægemiddelpar, og forudsiger også alternative lægemiddelkandidater for 62, 707 lægemiddelpar med negative helbredseffekter for kun at beholde de gavnlige virkninger. Desuden, DeepDDI blev anvendt på 3, 288, 157 stof-fødevarebestanddelpar (2, 159 godkendte lægemidler og 1, 523 velkarakteriserede fødevarebestanddele) til at forudsige DFI'er. Virkningerne af 256 fødevarebestanddele på farmakologiske effekter af interagerende lægemidler og bioaktiviteter af 149 fødevarebestanddele blev også endelig forudsagt. Alle disse forudsigelsesresultater kan være nyttige, hvis en person tager medicin mod en specifik (kronisk) sygdom såsom hypertension eller diabetes mellitus type 2.

Den fremtrædende professor Sang Yup Lee sagde, "Vi har udviklet en platformsteknologi DeepDDI, der vil tillade præcisionsmedicin i æraen af ​​den fjerde industrielle revolution. DeepDDI kan tjene til at give vigtig information om medicinrecept og kostforslag, mens vi tager visse lægemidler for at maksimere sundhedsfordele og i sidste ende hjælpe med at opretholde et sundt liv i dette aldrende samfund."