پیش بینی تعامل دارو-دارو توسط شبکه عصبی

پیش بینی تعامل دارو-دارو(DDI) یکی از حیاتی‌ترین موضوعات در حوزه توسعه دارو و سلامت است. روش‌های محاسباتی مناسب برای پیش‌بینی DDIهای ناشناخته چالش‌برانگیز هستند. محققان دپارتمان علوم کامپیوتر و ریاضی دانشگاه شهید بهشتی و مرکز IPM ایران NDD را پیشنهاد داده‌اند که روشی بر مبنای شبکه عصبی برای پیش‌بینی تعاملات دارویی ناشناخته با استفاده از اطلاعات مختلف در مورد داروهاست.

DDIها به عنوان عوارض جانبی نامطلوب ناشی از مصرف هم‌زمان دو یا چند دارو شناخته می‌شوند. تأثیر داروها روی یکدیگر ممکن است به بروز بیماری‌های دیگر و یا حتی مرگ منجر شود؛ به ویژه در افراد بالغ و بیماران سرطانی که روزانه مقادیر زیادی دارو مصرف می‌کنند قابل توجه است.

با توجه به اهمیت پیش‌بینی DDI در سلامت انسان، صنعت و اقتصاد و نیز هزینه و زمان بسیاری که صرف روش‌های آزمایشگاهی سنتی می‌شود، روش‌های محاسباتی دقیقی برای پیش‌بینی عوارض مورد نیاز است. علاوه بر توسعه روش‌های محاسباتی، اطلاعات زیست‌پزشکی بسیار زیادی هم در این راستا وجود دارد که Drugbank یکی از این پایگاه‌های داده معتبر شناخته‌شده با بیش از ۳۰۰،۰۰۰ DDI است.

اگرچه پیشرفت‌های زیادی تاکنون در این زمینه صورت گرفته است اما هنوز هم برای پیش‌بینی به دقت بالاتری نیاز است. محققان این مطالعه برای غلبه بر این مشکل روشی را از طریق انتخاب تشابه، ادغام شباهت‌ها و شبکه عصبی توسعه دادند. شبکه عصبی یک رویکرد کاملاً توسعه‌یافته است که راه‌حل‌های رضایت بخشی را مخصوصاً برای مجموعه داده‌های بزرگ و آنالیزهای غیرخطی که به طور گسترده استفاده می‌شوند فراهم می‌آورد.

در این مطالعه محققان NDD را توسعه داده‌اند که از آنالیز غیرخطی و استخراج ویژگی‌های برتر برای بهبود دقت پیش‌بینی استفاده می‌کند. NDD یک فرایند چندمرحله‌ای است و می‌تواند چارچوب دقیقی برای پیش‌بینی DDIهای جدید ارائه دهد.

شباهت‌های چندگانه دارویی بر اساس ساختار دارو، هدف، عوارض جانبی، مسیر، انتقال دارو و شاخص داده محاسبه می‌شوند. NDD در ابتدا از فرآیند انتخاب شباهت‌ها استفاده می‌کند و سپس شباهت‌های انتخاب شده را با یک روش یکپارچه‌سازی تشابه غیرخطی برای رسیدن به ویژگی‌های سطح بالا ادغام می‌کند. پس از آن از یک شبکه عصبی برای پیش‌بینی تعامل داروها استفاده می‌کند.

محققان در این پژوهش NDD را با ۶ طبقه‌بندی کننده یادگیری ماشین و ۶ روش مبتنی بر نمودار در یک مجموعه‌ی داده معیار مورد مقایسه قرار دادند. NDD در اعتبارسنجی متقابل با AUPR به بالاترین عملکرد دست یافت. علاوه بر این، شواهد به دست آمده از مطالعات موردی روی جفت‌های دارویی متعدد، قابلیت NDD برای پیش‌بینی DDIهای ناشناخته را بیش‌تر تأیید کرد. ارزیابی‌ها اثبات می‌کنند که NDD یک رویکرد کارآمد برای پیش‌بینی DDI شناخته نشده است.

NDD مخصوصاً در مورد مجموعه داده‌هایی که پیچیدگی بالاتری داشته و نیاز به ویژگی‌های اختصاصی‌تری برای استخراج تعاملات پنهان دارویی دارند، عملکرد قابل توجهی دارد. این روش در مقایسه با روش یادگیری ماشین و رویکرد مبتنی بر نمودار نیز عملکرد بهتری دارد که یکی از دلایل آن استفاده از شبکه عصبی است که می‌تواند به طور خودکار ویژگی‌های ورودی را پردازش کرده و در نهایت پیش‌بینی بهتری را ارائه دهد.