La prescription de plusieurs médicaments, ou polymédication, est souvent recommandée pour le traitement de maladies complexes. Cependant, lors de l’ingestion, plusieurs médicaments peuvent interagir de manière indésirable, entraînant des effets indésirables graves ou une diminution de l’efficacité clinique. La détection précoce de telles interactions médicamenteuses (DDI) est donc essentielle pour éviter que les patients ne subissent des effets indésirables.
Actuellement, des modèles informatiques et des algorithmes basés sur des réseaux neuronaux examinent les enregistrements antérieurs d’interactions médicamenteuses connues et identifient les structures et les effets secondaires auxquels ils sont associés. Ces approches supposent que des médicaments similaires ont des interactions similaires et identifient les combinaisons de médicaments associées à des effets indésirables similaires.
Bien que la compréhension des mécanismes des DDI au niveau moléculaire soit essentielle pour prédire leurs effets indésirables, les modèles actuels reposent sur les structures et les propriétés des médicaments, avec une plage prédictive limitée aux interactions précédemment observées. Ils ne tiennent pas compte de l’effet des DDI sur les gènes et la fonctionnalité cellulaire.
Pour remédier à ces limitations, le professeur agrégé Hojung Nam et Ph.D. Le candidat Eunyoung Kim de l’Institut des sciences et technologies de Gwangju en Corée du Sud a développé un modèle basé sur l’apprentissage en profondeur pour prédire les DDI sur la base des signatures d’expression génique induites par les médicaments. Ces découvertes ont été publiées dans le Journal de Chemininformatique le 4 mars 2022.
Le modèle DeSIDE-DDI se compose de deux parties : un modèle de génération de caractéristiques et un modèle de prédiction DDI. Le modèle de génération de caractéristiques prédit l’effet d’un médicament sur l’expression génique en tenant compte à la fois de la structure et des propriétés du médicament, tandis que le modèle de prédiction DDI prédit divers effets secondaires résultant de combinaisons de médicaments.
Pour expliquer les principales caractéristiques de ce modèle, explique le professeur Nam, « Notre modèle considère les effets des médicaments sur les gènes en utilisant les données d’expression génique, fournissant une explication de la raison pour laquelle une certaine paire de médicaments provoque des DDI. Il peut prédire les DDI pour les médicaments actuellement approuvés ainsi que pour les nouveaux composés. De cette façon, les menaces de la polypharmacie peuvent être résolues avant que de nouveaux médicaments ne soient mis à la disposition du public.«
QuoiDe plus, étant donné que tous les composés n’ont pas de signatures d’expression génique traitées avec un médicament, ce modèle utilise un modèle de génération de composé pré-formé pour générer les expressions géniques traitées avec un médicament attendues.
Discutant de ses applications réelles, le professeur Nam remarque, « Ce modèle peut discerner des paires de médicaments potentiellement dangereux, agissant comme un système de surveillance de la sécurité des médicaments. Il peut aider les chercheurs à définir l’utilisation correcte du médicament dans la phase de développement du médicament. »
Un modèle avec un tel potentiel révolutionnera véritablement la façon dont la sécurité des nouveaux médicaments est établie à l’avenir !