Figure 1. Schéma global de Deep DDDI et prédiction des constituants alimentaires qui réduisent la concentration in vivo des médicaments approuvés. Crédit :Korea Advanced Institute of Science and Technology
Interactions médicamenteuses, y compris les interactions médicamenteuses (DDI) et les interactions médicamenteuses-constituants alimentaires (DFI), peut déclencher des effets pharmacologiques inattendus, y compris les événements indésirables médicamenteux (EIM), avec des mécanismes causaux souvent inconnus. Cependant, les méthodes de prédiction actuelles ne fournissent pas suffisamment de détails au-delà de la probabilité d'occurrence de DDI, ou nécessitent des informations détaillées sur les médicaments souvent indisponibles pour la prédiction DDI.
Pour s'attaquer à ce problème, Dr Jae Yong Ryu, le professeur assistant Hyun Uk Kim et le professeur distingué Sang Yup Lee, tous issus du Département de génie chimique et biomoléculaire de l'Institut avancé des sciences et de la technologie de Corée (KAIST), développé un cadre de calcul, nommé DeepDDI, qui prédit avec précision 86 types de DDI pour une paire de médicaments donnée. Les résultats de la recherche ont été publiés en ligne dans Actes de l'Académie nationale des sciences ( PNAS ) le 16 avril, 2018, qui s'intitule "L'apprentissage en profondeur améliore la prédiction des interactions médicament-médicament et médicament-aliment".
DeepDDI prend les informations structurelles et les noms de deux médicaments par paire comme entrées, et prédit les types de DDI pertinents pour la paire de médicaments d'entrée. DeepDDI utilise un réseau de neurones profonds pour prédire 86 types de DDI avec une précision moyenne de 92,4% à l'aide de l'ensemble de données DDI de référence de DrugBank couvrant 192, 284 DDI contribué par 191, 878 paires de médicaments. Très important, Les types DDI prédits par DeepDDI sont générés sous la forme de phrases lisibles par l'homme en tant que sorties, qui décrivent des changements dans les effets pharmacologiques et/ou le risque d'EIM résultant de l'interaction entre deux médicaments en paire. Par exemple, Les phrases de sortie DeepDDI décrivant les interactions potentielles entre l'oxycodone (médicament opioïde contre la douleur) et l'atazanavir (médicament antirétroviral) ont été générées comme suit :« Le métabolisme de l'oxycodone peut être diminué lorsqu'il est associé à l'atazanavir » ; et « Le risque ou la gravité des effets indésirables peut être augmenté lorsque l'oxycodone est associé à l'atazanavir ». En faisant cela, DeepDDI peut fournir des informations plus spécifiques sur les interactions médicamenteuses au-delà du risque d'occurrence des DDI ou des EIM généralement signalés à ce jour.
DeepDDI a d'abord été utilisé pour prédire les types DDI de 2, 329, 561 paires de médicaments de toutes les combinaisons possibles de 2, 159 médicaments homologués, dont les types DDI de 487, 632 paires de médicaments ont été nouvellement prédites. Aussi, DeepDDI peut être utilisé pour suggérer le médicament ou l'aliment à éviter pendant le traitement afin de minimiser le risque d'effets indésirables ou d'optimiser l'efficacité du médicament. À cette fin, DeepDDI a été utilisé pour suggérer des mécanismes de causalité potentiels pour les effets indésirables signalés de 9, 284 paires de médicaments, et prédisent également des candidats médicaments alternatifs pour 62, 707 couples de médicaments ayant des effets négatifs sur la santé pour ne garder que les effets bénéfiques. Par ailleurs, DeepDDI a été appliqué à 3, 288, 157 paires de constituants médicament-aliment (2, 159 médicaments approuvés et 1, 523 constituants alimentaires bien caractérisés) pour prédire les IFD. Les effets de 256 constituants alimentaires sur les effets pharmacologiques des médicaments en interaction et les bioactivités de 149 constituants alimentaires ont également été finalement prédits. Tous ces résultats de prédiction peuvent être utiles si une personne prend des médicaments pour une maladie (chronique) spécifique telle que l'hypertension ou le diabète sucré de type 2.
Le professeur distingué Sang Yup Lee a déclaré :« Nous avons développé une plate-forme technologique DeepDDI qui permettra une médecine de précision à l'ère de la quatrième révolution industrielle. DeepDDI peut servir à fournir des informations importantes sur la prescription de médicaments et des suggestions diététiques tout en prenant certains médicaments pour maximiser les bienfaits pour la santé et finalement aider à maintenir une vie saine dans cette société vieillissante.