Un equipo de investigación coreano de KAIST desarrolló un marco computacional, DeepDDI, que predice y genera con precisión 86 tipos de interacciones droga-droga y droga-comida como salidas de oraciones legibles por humanos, lo que permite una comprensión profunda de la droga-drogae interacciones entre medicamentos y alimentos.
Las interacciones farmacológicas, incluidas las interacciones farmacológicas DDI y las interacciones constituyentes farmacológicas DFI, pueden desencadenar efectos farmacológicos inesperados, incluidos los eventos adversos farmacológicos ADE, con mecanismos causales a menudo desconocidos. Sin embargo, los métodos de predicción actuales noProporcione detalles suficientes más allá de la posibilidad de que ocurra DDI, o requiera información detallada del medicamento que a menudo no está disponible para la predicción de DDI.
Para abordar este problema, el Dr. Jae Yong Ryu, el Profesor Asistente Hyun Uk Kim y el Profesor Distinguido Sang Yup Lee, todos del Departamento de Ingeniería Química y Biomolecular del Instituto Avanzado de Ciencia y Tecnología de Corea KAIST, desarrollaron un marco computacional, llamado DeepDDI, que predice con precisión 86 tipos de DDI para un determinado par de medicamentos. Los resultados de la investigación se publicaron en línea en Actas de la Academia Nacional de Ciencias de los Estados Unidos de América PNAS el 16 de abril de 2018, que se titula "El aprendizaje profundo mejora la predicción de las interacciones entre drogas y drogas y alimentos"
DeepDDI toma la información estructural y los nombres de dos medicamentos en pares como entradas, y predice los tipos de DDI relevantes para el par de medicamentos de entrada. DeepDDI usa una red neuronal profunda para predecir 86 tipos de DDI con una precisión media del 92.4% usando el DDI estándar de DrugBankconjunto de datos que cubre 192,284 DDI aportados por 191,878 pares de fármacos. Muy importante, los tipos de DDI pronosticados por DeepDDI se generan en forma de oraciones legibles por humanos como salidas, que describen cambios en los efectos farmacológicos y / o el riesgo de ADEs como resultado de la interacciónentre dos fármacos en pareja. Por ejemplo, las frases de salida de DeepDDI que describen posibles interacciones entre oxicodona medicación opioide para el dolor y atazanavir medicación antirretroviral se generaron de la siguiente manera: "El metabolismo de la oxicodona se puede disminuir cuando se combina con Atazanavir" y "Elel riesgo o la gravedad de los efectos adversos pueden aumentar cuando la oxicodona se combina con atazanavir ". Al hacer esto, DeepDDI puede proporcionar información más específicaacción sobre las interacciones farmacológicas más allá de la posibilidad de ocurrencia de DDI o ADEs típicamente informados hasta la fecha.
DeepDDI se usó por primera vez para predecir los tipos de DDI de 2,329,561 pares de medicamentos a partir de todas las combinaciones posibles de 2,159 medicamentos aprobados, de los cuales los tipos de DDI de 487,632 pares de medicamentos se predijeron recientemente. Además, DeepDDI se puede usar para sugerir qué medicamento o alimento evitar durantemedicación con el fin de minimizar la posibilidad de eventos adversos del fármaco u optimizar la eficacia del fármaco. Con este fin, se utilizó DeepDDI para sugerir posibles mecanismos causales para los ADEs reportados de 9,284 pares de fármacos, y también predecir candidatos de fármacos alternativos para 62,707 pares de fármacos con resultados negativos.efectos sobre la salud para mantener solo los efectos beneficiosos. Además, DeepDDI se aplicó a 3.288.157 pares de constituyentes de fármacos y alimentos 2.159 fármacos aprobados y 1.523 constituyentes de alimentos bien caracterizados para predecir DFI. Los efectos de 256 constituyentes de alimentos sobre los efectos farmacológicos de los fármacos que interactúan yTambién se predijeron finalmente las bioactividades de 149 componentes alimentarios. Todos estos resultados de predicción pueden ser útiles si un individuo está tomando medicamentosAciones para una enfermedad específica crónica como la hipertensión o la diabetes mellitus tipo 2.
El distinguido profesor Sang Yup Lee dijo: "Hemos desarrollado una tecnología de plataforma DeepDDI que permitirá la medicina de precisión en la era de la Cuarta Revolución Industrial. DeepDDI puede servir para proporcionar información importante sobre la prescripción de medicamentos y sugerencias dietéticas mientras tomamos ciertos medicamentos para maximizar la saludbeneficios y, en última instancia, ayudan a mantener una vida saludable en esta sociedad que envejece ".
Fuente de la historia :
Materiales proporcionado por El Instituto Avanzado de Ciencia y Tecnología de Corea KAIST . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :