Kunstig intelligens hjælper forskere med at forudsige bivirkninger af lægemiddelkombinationer

Alene sidste måned, 23 procent af amerikanerne tog to eller flere receptpligtige lægemidler, ifølge et CDC-estimat, og 39 procent over 65 år tager fem eller mere, et tal, der er tredoblet i de sidste årtier. Og hvis det ikke er overraskende nok, prøv denne:i mange tilfælde, læger har ingen idé om, hvilke bivirkninger der kan opstå ved at tilføje et andet lægemiddel til en patients personlige apotek.

Problemet er, at med så mange lægemidler i øjeblikket på det amerikanske farmaceutiske marked, "det er praktisk talt umuligt at teste et nyt lægemiddel i kombination med alle andre lægemidler, fordi bare for et lægemiddel ville det være fem tusind nye eksperimenter, " sagde Marinka Zitnik, en postdoc i datalogi. Med nogle nye lægemiddelkombinationer, hun sagde, "Vi ved virkelig ikke, hvad der vil ske."

Men datalogi kan måske hjælpe. I et papir præsenteret den 10. juli på mødet i 2018 i International Society for Computational Biology i Chicago. Zitnik og kolleger Monica Agrawal, en kandidatstuderende, og Jure Leskovec, en lektor i datalogi, lægge et kunstig intelligenssystem til at forudsige, ikke blot sporing, potentielle bivirkninger fra lægemiddelkombinationer. Det system, kaldet Decagon, kunne hjælpe læger med at træffe bedre beslutninger om, hvilke lægemidler der skal beskrives, og hjælpe forskere med at finde bedre kombinationer af lægemidler til behandling af komplekse sygdomme.

For mange kombinationer

Når først tilgængelig for læger i en mere brugervenlig form, Decagons forudsigelser ville være en forbedring i forhold til, hvad der er tilgængeligt nu, hvilket i bund og grund handler om tilfældigheder - en patient tager ét lægemiddel, begynder at tage en anden og udvikler derefter hovedpine eller værre. Der er omkring 1000 forskellige kendte bivirkninger og 5, 000 lægemidler på markedet, hvilket giver næsten 125 milliarder mulige bivirkninger mellem alle mulige lægemiddelpar. De fleste af disse er aldrig blevet ordineret sammen, endsige systematisk undersøgt.

Men, Zitnik, Agrawal og Leskovec indså, at de kunne komme uden om det problem ved at studere, hvordan stoffer påvirker det underliggende cellulære maskineri i vores krop. De sammensatte et massivt netværk, der beskrev, hvordan de mere end 19, 000 proteiner i vores kroppe interagerer med hinanden, og hvordan forskellige lægemidler påvirker disse proteiner. Ved at bruge mere end 4 millioner kendte sammenhænge mellem lægemidler og bivirkninger, holdet designede derefter en metode til at identificere mønstre i, hvordan bivirkninger opstår baseret på, hvordan lægemidler retter sig mod forskellige proteiner.

At gøre det, holdet vendte sig til dyb læring, en slags kunstig intelligens modelleret efter hjernen. I det væsentlige, dyb læring ser på komplekse data og uddrag fra dem abstrakt, nogle gange kontraintuitive mønstre i dataene. I dette tilfælde, forskerne designet deres system til at udlede mønstre om lægemiddelinteraktionsbivirkninger og forudsige hidtil usete konsekvenser af at tage to lægemidler sammen.

Forudsigelse af komplikationer

Bare fordi Decagon fandt et mønster, gør det ikke nødvendigvis det virkeligt, så gruppen så for at se, om dens forudsigelser gik i opfyldelse, og i mange tilfælde, de gjorde. For eksempel, der var ingen indikation i teamets data på, at kombinationen af ​​atorvastatin, et kolesterollægemiddel, og amlopidin, blodtryksmedicin, kan føre til muskelbetændelse, alligevel forudsagde Decagon, at det ville, og det var rigtigt. Selvom det ikke optrådte i de originale data, en caserapport fra 2017 antydede, at lægemiddelkombinationen havde ført til en farlig form for muskelbetændelse.

Det eksempel blev født ud i andre tilfælde også. Da de søgte i den medicinske litteratur for beviser for ti bivirkninger forudsagt af Decagon, men ikke i deres originale data, holdet fandt ud af, at fem ud af de ti for nylig er blevet bekræftet, giver yderligere tiltro til Decagons forudsigelser.

"Det var overraskende, at proteininteraktionsnetværk afslører så meget om lægemiddelbivirkninger, " sagde Leskovec, som er medlem af Stanford Bio-X, Stanford Neurosciences Institute og Chan Zuckerberg Biohub.

Lige nu, Decagon tager kun hensyn til bivirkninger forbundet med par af lægemidler, og i fremtiden håber holdet at udvide deres resultater til at omfatte mere komplekse regimer, sagde Leskovec. De håber også at skabe et mere brugervenligt værktøj til at give læger vejledning om, hvorvidt det er en god idé at ordinere et bestemt lægemiddel til en bestemt patient, og til at hjælpe forskere med at udvikle lægemiddelregimer til komplekse sygdomme med færre bivirkninger.

"I dag, lægemiddelbivirkninger opdages hovedsagelig ved et uheld, "Leskovec sagde, "og vores tilgang har potentiale til at føre til mere effektiv og sikrere sundhedspleje."