Le mois dernier seulement, 23% des Américains ont pris au moins deux médicaments sur ordonnance, selon une estimation du CDC, et 39 pour cent de plus de 65 ans en prennent cinq ou plus, un nombre qui a triplé au cours des dernières décennies. Et si ce n'est pas assez surprenant, essayez celui-ci :dans de nombreux cas, les médecins n'ont aucune idée des effets secondaires qui pourraient résulter de l'ajout d'un autre médicament à la pharmacie personnelle d'un patient.

Le problème est qu'avec autant de médicaments actuellement sur le marché pharmaceutique américain, "il est pratiquement impossible de tester un nouveau médicament en combinaison avec tous les autres médicaments, parce que pour un seul médicament, cela représenterait cinq mille nouvelles expériences, " a déclaré Marinka Zitnik, un stagiaire postdoctoral en informatique. Avec quelques nouvelles combinaisons de médicaments, elle a dit, « vraiment, nous ne savons pas ce qui va se passer. »

Mais l'informatique peut peut-être aider. Dans un article présenté le 10 juillet à la réunion 2018 de l'International Society for Computational Biology à Chicago. Zitnik et ses collègues Monica Agrawal, un étudiant à la maîtrise, et Jure Leskovec, professeur agrégé d'informatique, mettre en place un système d'intelligence artificielle pour prédire, pas simplement le suivi, effets secondaires potentiels des combinaisons de médicaments. Ce système, appelé Décagone, pourrait aider les médecins à prendre de meilleures décisions sur les médicaments à décrire et aider les chercheurs à trouver de meilleures combinaisons de médicaments pour traiter des maladies complexes.

Trop de combinaisons

Une fois disponible pour les médecins sous une forme plus conviviale, Les prédictions de Decagon seraient une amélioration par rapport à ce qui est disponible actuellement, qui relève essentiellement du hasard :un patient prend un médicament, commence à en prendre un autre et développe ensuite un mal de tête ou pire. Il y a environ 1000 effets secondaires connus différents et 5, 000 médicaments sur le marché, ce qui représente près de 125 milliards d'effets secondaires possibles entre toutes les paires de médicaments possibles. La plupart d'entre eux n'ont jamais été prescrits ensemble, encore moins étudié systématiquement.

Mais, Zitnik, Agrawal et Leskovec ont réalisé qu'ils pouvaient contourner ce problème en étudiant comment les médicaments affectent la machinerie cellulaire sous-jacente de notre corps. Ils ont composé un réseau massif décrivant comment les plus de 19, 000 protéines dans notre corps interagissent les unes avec les autres et comment différents médicaments affectent ces protéines. En utilisant plus de 4 millions d'associations connues entre les médicaments et les effets secondaires, l'équipe a ensuite conçu une méthode pour identifier les modèles d'apparition des effets secondaires en fonction de la façon dont les médicaments ciblent différentes protéines.

Pour faire ça, l'équipe s'est tournée vers le deep learning, une sorte d'intelligence artificielle calquée sur le cerveau. En substance, le deep learning examine des données complexes et en extrait des extraits abstraits, des modèles parfois contre-intuitifs dans les données. Dans ce cas, les chercheurs ont conçu leur système pour déduire des schémas sur les effets secondaires des interactions médicamenteuses et prédire les conséquences inédites de la prise de deux médicaments ensemble.

Prédire les complications

Juste parce que Decagon a trouvé un modèle ne le rend pas nécessairement réel, le groupe a donc cherché à voir si ses prédictions se réalisaient, et dans de nombreux cas, ils l'ont fait. Par exemple, il n'y avait aucune indication dans les données de l'équipe que la combinaison d'atorvastatine, un médicament contre le cholestérol, et amlopidine, un médicament contre l'hypertension, peut entraîner une inflammation musculaire, pourtant Decagon a prédit qu'il le ferait, et c'était juste. Bien qu'il n'apparaisse pas dans les données d'origine, un rapport de cas de 2017 a suggéré que la combinaison de médicaments avait conduit à un type dangereux d'inflammation musculaire.

Cet exemple s'est également manifesté dans d'autres cas. Lorsqu'ils ont recherché dans la littérature médicale des preuves de dix effets secondaires prédits par Decagon mais pas dans leurs données d'origine, l'équipe a constaté que cinq des dix ont été récemment confirmés, donnant encore plus de crédit aux prédictions de Decagon.

« Il était surprenant que les réseaux d'interactions protéiques en révèlent autant sur les effets secondaires des médicaments, " dit Leskovec, qui est membre de Stanford Bio-X, Stanford Neurosciences Institute et Chan Zuckerberg Biohub.

À l'heure actuelle, Decagon ne considère que les effets secondaires associés aux paires de médicaments, et à l'avenir, l'équipe espère étendre ses résultats pour inclure des régimes plus complexes, dit Leskovec. Ils espèrent également créer un outil plus convivial pour donner aux médecins des conseils sur l'opportunité de prescrire un médicament particulier à un patient particulier et pour aider les chercheurs à développer des schémas thérapeutiques pour des maladies complexes avec moins d'effets secondaires.

"Aujourd'hui, les effets secondaires des médicaments sont découverts essentiellement par accident, " Leskovec a dit, "et notre approche a le potentiel de conduire à des soins de santé plus efficaces et plus sûrs."