Les effets indésirables des médicaments (ADR) sont une cause importante d'admission à l'hôpital et d'arrêt du traitement dans le monde entier. Les approches conventionnelles ne parviennent souvent pas à détecter les effets rares ou retardés des médicaments. Afin d'améliorer la détection précoce, une équipe de recherche de l'Université médicale de Sofia a développé un modèle d'apprentissage en profondeur pour prédire la probabilité de MADR basée uniquement sur la structure chimique d'un médicament.
Le modèle a été construit à l'aide d'un réseau neuronal formé à l'aide de données de pharmacovigilance de référence. Les caractéristiques d'entrée ont été dérivées de codes SMILES – un format standard représentant la structure moléculaire. Des prédictions ont été générées pour six ADR majeures: l'hépatotoxicité, la néphrotoxicité, la cardiotoxicité, la neurotoxicité, l'hypertension et la photosensibilité.
« Nous pourrions conclure qu'il a réussi à identifier de nombreuses réactions attendues tout en produisant relativement peu de faux positifs », écrivent les chercheurs dans leur article publié dans la revue Pharmacieconcluant qu'il « démontre une précision acceptable dans la prévision des ADR ».
Les tests du modèle avec des médicaments bien caractérisés ont entraîné des prédictions cohérentes avec les profils d'effets secondaires connus. Par exemple, il a estimé une probabilité d'hépatotoxicité de 94,06% pour l'érythromycine, 88,44% pour la néphrotoxicité et 75,8% pour l'hypertension dans le cisplatine. De plus, 22% de photosensibilité a été prévue pour le cisplatine, tandis que 64,8% de photosensibilité a été estimée pour le composé expérimental ezeprogind. Pour l'énadoline, une nouvelle molécule, le modèle a renvoyé de faibles scores de probabilité dans tous les ADR, suggérant un risque minimal.
Notamment, ces résultats démontrent le potentiel du modèle en tant qu'outil de support de décision dans la découverte de médicaments en phase précoce et la surveillance de la sécurité réglementaire. Les auteurs reconnaissent que les performances de l'infrastructure pourraient être encore améliorées en incorporant des facteurs tels que les niveaux de dose et les paramètres spécifiques au patient.
