通常建議使用多種藥物或多種藥物的處方來治療復雜疾病。然而，在攝入后，多種藥物可能會以不希望的方式相互作用，導致嚴重的副作用或降低臨床療效。因此，早期發(fā)現(xiàn)此類藥物-藥物相互作用 (DDI) 對于防止患者出現(xiàn)不良反應至關(guān)重要。
目前，計算模型和基于神經(jīng)網(wǎng)絡的算法檢查已知藥物相互作用的先前記錄并識別它們相關(guān)的結(jié)構(gòu)和副作用。這些方法假設相似的藥物具有相似的相互作用，并確定與相似副作用相關(guān)的藥物組合。
盡管在分子水平上了解 DDI 的機制對于預測其不良影響至關(guān)重要，但目前的模型依賴于藥物的結(jié)構(gòu)和性質(zhì)，預測范圍僅限于先前觀察到的相互作用。他們沒有考慮 DDI 對基因和細胞功能的影響。
為了解決這些限制，Hojung Nam 副教授和博士。來自韓國光州科技學院的候選人 Eunyoung Kim 開發(fā)了一種基于深度學習的模型，用于根據(jù)藥物誘導的基因表達特征預測 DDI。這些發(fā)現(xiàn)發(fā)表在2022 年 3 月 4 日的《化學信息學雜志》上。
DeSIDE-DDI模型由兩部分組成：特征生成模型和DDI預測模型。特征生成模型通過考慮藥物的結(jié)構(gòu)和特性來預測藥物對基因表達的影響，而 DDI 預測模型預測藥物組合產(chǎn)生的各種副作用。
為了解釋這個模型的關(guān)鍵特征，Nam 教授解釋說，“我們的模型通過利用基因表達數(shù)據(jù)考慮藥物對基因的影響，解釋了為什么某對藥物會導致 DDI。它可以預測當前批準的 DDI藥物以及新化合物。這樣，在向公眾提供新藥之前，可以解決多種藥物的威脅。”
更重要的是，由于所有化合物都沒有藥物處理的基因表達特征，因此該模型使用預先訓練的化合物生成模型來生成預期的藥物處理基因表達。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！