Exploring Drug Safety Through Knowledge Graphs: Protein Kinase Inhibitors as a Case Study

إليك ملخص تقني مفصل لورقة البحث بعنوان: "استكشاف سلامة الأدوية من خلال الرسوم البيانية للمعرفة: مثبطات بروتين كيناز كدراسة حالة."

1. بيان المشكلة

تعد التفاعلات الدوائية الضارة (ADRs) سبباً رئيسياً للمراضة والوفيات عالمياً. وتواجه منهجيات التنبؤ الحالية قيوداً كبيرة:

• تجزؤ البيانات: تعتمد الطرق الحالية غالباً على مصادر بيانات معزولة، مثل التشابه الكيميائي، أو قواعد البيانات المهيكلة، أو ملفات تعريف الأهداف الفردية.
• الأدلة غير المهيكلة: تجد هذه الطرق صعوبة في دمج الأدلة المتنوعة وغير المهيكلة جزئياً بفعالية، والموجودة في أدبيات التجارب السريرية، ووسائل التواصل الاجتماعي، وتقارير ما بعد التسويق.
• الكشف عن الأحداث النادرة: تفشل نماذج تعلم الآلة غالباً في التنبؤ بالتفاعلات الدوائية الضارة النادرة بسبب عدم كفاية بيانات التدريب في أنظمة مثل نظام إبلاغ هيئة الغذاء والدواء الأمريكية عن الآثار الجانبية (FAFAERS).
• الافتقار إلى السياق: تغفل التحليلات الخطية التقليدية العلاقات المعقدة والدقيقة بين أهداف الأدوية، والآثار المظهرية، وملفات السلامة.

يقترح المؤلفون إطار عمل قائماً على الرسم البياني للمعرفة (Knowledge Graph - KG) لتوحيد مصادر البيانات المتنوعة في شبكة واحدة موزونة بالأدلة لتعزيز التنبؤ بالتفاعلات الدوية الضارة واليقظة الدوائية.

2. المنهجية

تستخدم الدراسة مسار عمل متعدد الخطوات لبناء وتحليل رسم بياني ثنائي الأجزاء ($N_{DC}$) يربط بين الأدوية والحالات الطبية.

أ. مصادر البيانات والاستخراج

يدمج إطار العمل أربعة مصادر أساسية للبيانات:

1. بيانات الدواء والهدف (ChEMBL): توفر أسماء الأدوية، وآليات العمل، ومراحل الاعتماد، وخصائص الجزيئات النشطة حيوياً.
2. أدبيات التجارب السريرية (PubMed): يتم استخراجها عبر خدمة NIH e-fetch. وتتم معالجة العناوين باستخدام MetaMap لربط النص بنظام UMLS (النظام الموحد للغة الطبية) للحالات.
3. البيانات الوصفية للتجارب (ClinicalTrials.gov): يتم ربطها عبر معرفات التجربة السريرية الوطنية (NCT) لإثراء خصائص PICO (السكان، التدخل، المقارن، النتيجة).
4. سلامة ما بعد التسويق (FAERS): يتم تنظيف تقارير الحالات للفترة من 2016 إلى 2022، وحساب نسب التقارير النسبية (PRR) لتحديد الآثار الجانبية الحقيقية.
5. تقييم التحيز: يُستخدم RobotReviewer لتوصيف التجارب من حيث التحيز واستخراج نتائج محددة (مثل نسب المخاطر، البقاء على قيد الحياة بدون تقدم المرض، والبقاء الإجمالي).

ب. بناء الرسم البياني

• العقد (Nodes): يتكون الرسم البياني من نوعين من العقد: الأدوية (مثبطات بروتين كيناز - PKIs) والحالات (الأمراض الطبية/التفاعلات الدوائية الضارة).
• الحواف (Edges):im يتم إنشاء الروابط بناءً على التزامن بين الأدوية والحالات ضمن الأوراق البحثية التي تم تحليلها.
• توزين الحواف: على عكس حسابات التزامن البسيطة، يتم وزن الحواف لتعكس قوة الدليل. تُحسب القيمة ($W$) كالتالي:
  $$W = 1 + \text{normalized}(\text{Year}) + \text{normalized}(\text{Bias}) + \text{normalized}(\text{Data Quantity}) + \text{normalized}(\text{Citations})$$
  يضمن ذلك أن الدراسات عالية الجودة، والحديثة، والأكثر استشهاداً تساهم بشكل أكبر في قوة الارتباط.

ج. التقنيات التحليلية

• تحليل الشبكة: استخدام مكتبة NetworkX لحساب المركزية، والدرجة، والمكونات المتصلة. تركز الدراسة على أكبر مكون متصل ($N_{Giant}$).
• مقاييس التشابه:
  • التشابه المظهري: يُحسب من خلال تداخل جيران الحالة بين عقد الأدوية.
  • تشابه الهدف: يعتمد على البروتينات المشتركة المستهدفة.
  • التطبيع (Normalization): يتم تطبيق درجة تشابه مُطبعة ($S_{u,v}$) لتصحيح التحيز تجاه الأدوية المدروسة بكثة (مثل Sirolimus وEverolimus)، مما يسمح للأدوية الأقل استكشافاً بالظهور.
• نماذج التنبؤ:
  • ارتباط الهدف بالتفاعل الدوائي الضار: ربط جينات مستهدفة محددة (مثل B-RAF) بالآثار الجانبية للتنبؤ بالآثار الجانبية للأدوية الجديدة بناءً على ملفات أهدافها.
  • التنبؤ بالروابط (Link Prediction): استخدام مؤشر Adamic-Adar للتوصية بدلالات دوائية محتملة أو أدوية مماثلة بناءً على طوبولوجيا الشبكة.

3. المساهمات الرئيسية

1. إطار عمل موحد وموزون بالأدلة: تقدم الورقة نموذجاً مبتكراً للرسم البياني للمعرفة يدمج البيانات الكيميائية، والسريرية، وبيانات ما بعد التسويق في شبكة ثنائية الأجزاء واحدة، متجاوزة مجرد التشابه الكيميائي البسيط.
2. التنبؤ بالسياق بالتفاعلات الدوائية الضارة: تثبت أن تشابه الهدف وحده غير كافٍ للتنبؤ بالتفاعلات الدوائية الضارة؛ حيث يؤدي دمج البيانات المظهرية (الحالات) والأدلة الموزونة إلى تحسين القدرة على ربط الأهداف بآثار جانبية محددة (مثل ربط B-RAF بمتلازمة اليد والقدم).
3. أداة متعامدة لليقظة الدوائية: صُمم إطار العمل لا ليحل محل نماذج تعلم الآلة الحالية، بل ليكون أداة بحث مكملة وقابلة للتوسع تكشف الأنماط المعقدة وتدعم توليد الفرضيات.
4. تنفيذ مفتوح المصدر: الكود البرمجي الكامل، ومجموعات البيانات، والنتائج متاحة للجمهور، مما يضمن قابلية إعادة الإنتاج.

4. النتائج

طُبقت المنهجية على 400 من مثبطات بروتين كيناز (PKIs).

• إحصائيات الشبكة: يحتوي الرسم البياني الناتج ($N_{DC}$) على 1,287 عقدة (1,031 حالة، 256 دواءً مع وجود أدبيات) و4,081 حافة. يحتوي أكبر مكون ($N_{Giant}$) على 1,263 عقدة وقطر قدره 8.
• الارتباطات بين الدواء والحالة: حددت الحواف ذات الوزن الأعلى بشكل صحيح أزواج (الدواء-المرض) الراسخة (مثل Erlotinib وNon-small cell lung carcinoma بوزن 273)، مما أثبت صحة آلية وزن الأدلة.
• تحليل التشابه:
  • التداخل الخام فضل الأدوية المعروفة جيداً.
  • نجح التشابه المُطبع (Normalized similarity) في تسليط الضوء على الأدوية المماثلة هيكلياً ولكنها أقل استكشافاً (مثل Brigatinib وLorlatinib)، مما أظهر قدرة النموذج على إبراز الأدوية المرشحة.
• التنبؤ بالارتباط بين الهدف والتفاعل الدواري الضار: نجح النموذج في رسم خرائط الأهداف للآثار الجانبية. على سبيل المثال، تنبأ بشكل صحيح بأن Imatinib (الذي يستهدف ABL) مرتبط بـ Cytopenia وFluid Retention.
• دراسة حالة (NSCLC):
  • قامت الشبكة بتجميع أدوية سرطان الرئة غير صغير الخلايا (NSCLC) حسب مستقبلاتها (ERbB, ALK, VEGF).
  • حددت أن Erlotinib وGefitinib يمتلكان ملفات فعالية متشابهة ولكن مع قدرة تحمل مختلفة (حيث أظهر Erlotinib عدداً أكبر من الآثار الجانبية في مجموعة البيانات).
  • التنبؤ بالروابط: نجح مؤشر Adamic-Adar في التوصية بأن Osimertinib وAfatinib مرتبطان بـ Erlotinib، وحدد الأدوية غير المعتمدة (Icotinib, Simotinib) التي تمر حالياً بتجارب سريرية لـ NSCLC كمرشحات ذات إمكانات عالية بناءً على تداخل ملف التعريف المستهدف.

5. الأهمية والخاتمة

• تعزيز اليقظة الدوائية: يوفر إطار العمل آلية للكشف عن العلاقات المعقدة وغير الخطية بين الأدوية، والأهداف، والتفاعلات الدوارية الضارة التي تغفلها الطرق الخطية التقليدية.
• توليد الفرضيات: من خلال تصور مجتمعات الأدوة وتجمعات الأهداف، يساعد الرسم البياني للمعرفة الباحثين في توليد فرضيات لاستخدامات دوائية جديدة أو فرص إعادة توظيف الأدوية.
• الطب الشخصي: تدعم القدرة على ربط العلامات الجينية المحددة بالآثار الجانبية تطوير خطط علاجية مخصصة، مما قد يقلل من مخاطر التفاعلات الدوارية الضارة.
• القابلية للتوسع: رغم تطبيقه على مثبطات بروتين كيناز (PKIs)، فإن بنية النموذج قابلة للتوسع لتشمل فئات أخرى من الأدوية وأنواعاً مختلفة من البيانات، مما يقدم حلاً قابلاً للتوسع لدمج "الذيل الطويل" من البيانات الطبية الحيوية غير المهيكلة.

في الختام، تثبت هذه الورقة أن تقنيات الويب الدلالي والرسوم البيانية للمعرفة يمكن أن تدمج بفعالية البيانات الطبية الحيوية المتنوعة لتحسين التنبؤ وفهم سلامة الأدوية، مما يوفر أداة مكملة قوية لنماذج تعلم الآلة الحالية في مجال اليقظة الدوائية.