Multimodal Deep Learning for Drug–Drug Interaction Prediction using Structural Biological and Semantic Information

في عالم الطب الحديث، غالبًا ما يتناول المرضى عدة أدوية مختلفة في آن واحد لإدارة الحالات الصحية المعقدة. وبينما يمكن أن يكون هذا النهج منقذًا للحياة، إلا أنه يحمل خطرًا خفيًا: فعندما يلتقي دواءان أو أكثر داخل الجسم، يمكنهما أحيانًا التفاعل بطرق غير متوقعة. هذه التفاعلات، المعروفة باسم التفاعلات الدوائية-الدوائية، يمكن أن تحول العلاج المفيد إلى علاج خطير، مسببةً آثارًا جانبية شديدة، أو تقليل فعالية الدواء، أو حتى تؤدي إلى دخول المستشفى. لعقود من الزمن، اعتمد العلماء على التجارب المختبرية والتجارب السريرية للعثัง هذه الاقترانات الخطيرة قبل وصولها إلى المرضى. ومع ذلك، مع النمو السريع لعدد الأدوية المعتمدة، أصبح اختبار كل تركيبة ممكنة يدويًا أمرًا مستحيلاً؛ فهو بطيء للغاية، ومكلف للغاية، ولا يمكنه ببساطة مواكبة وتيرة الاكتشافات الجديدة. وقد دفع هذا الباحثين نحو استخدام الحواسيب للتنبؤ بهذه التفاعلات، آملين في فحص ملايين التركيبات المحتملة بسرعة وأمان.

تقدم دراسة جديدة من باحثين في معهد الدراسات المتقدمة في العلوم الأساسية في إيران طريقة جديدة قوية لحل هذا اللغز. فقد طور الفريق، بقيادة مهدي نوروزي، ومحسن هوشمند، وفاطمة نصيري، نظامًا حاسوبيًا يسمى HySEAtt-DDI. وبدلاً من النظر إلى الأدوية من خلال عدسة واحدة فقط، يعمل نظامهم مثل محقق يجمع ثلاثة أنواع مختلفة من الأدلة لفهم كيفية تصرف الأدوية. أولاً، يفحص البنية الكيميائية للأدوية، وينظر في الترتيب المحدد للذرات الذي يجعل كل جزيء فريدًا. ثانيًا، يدرس الملف البيولوجي للأدوية، ويتحقق من البروتينات التي تلتصق بها في الجسم وكيفية تفاعلها مع النظام البشري. ثالثًا، ولعل هذا هو الأمر الأكثر إثارة للدهشة، يقرأ الأوصاف المكتوبة للأدوية الموجودة في قواعد البيانات الطبية، باستخدام تكنولوجيا لغوية متقدمة لفهم السياق والمعنى وراء الكلمات المستخدمة في وصفها.

بنى الباحثون نظامهم على مجموعة ضخمة ومنقحة بعناية من البيانات المستمدة من DrugBank، وهو مستودع عالمي موثوق للمعلومات الصيدلانية. تتضمن هذه المجموعة من البيانات معلومات عن 2,148 دواءً من الجزيئات الصغيرة المعتمدة وأكثر من 2,000 هدف بروتيني، وتغطي ما يقرب من 600,000 تفاعل معروف. ولضمان أن يتعلم نموذجهم الحاسوبي الحقيقة حول كيفية تفاعل الأدوية بدلاً من مجرد حفظ الأسماء، قام الفريق بإخفاء هوية البيانات، واستبدل أسماء الأدوية المحددة بملصقات عامة. وقد أجبر هذا النظام على التركيز على الأنماط الكيميائية والبيولوجية الأساسية بدلاً من مجرد الارتباطات اللفظية البسيطة. ثم قاموا بتغذية هذه المعلومات الغنية متعددة الطبقات في شبكة عصبية متطورة، وهي نوع من الذكاء الاصطناعي المصمم لإيجاد أنماط معقدة قد يغفل عنها البشر. يستخدم النظام سلسلة من الطبقات المتخصصة لضغط الكم الهائل من البيانات إلى ملخص موجز وذي معنى، ثم يحلل التفاصيل المحلية والروابط بعيدة المدى بين ميزات الأدوية المختلفة لإجراء تنبؤاته.

وعندما اختبر الفريق نظامهم الجديد، كانت النتائج مذهلة. فقد تفوق إطار عمل HySEAtt-DDI باستمرار على الطرق الحاسوبية التقليدية ونماذج التعلم العميق المتقدمة الأخرى التي كانت تُستخدم لهذه المهمة. وفي الاختبارات المصممة لمحاكاة سيناريوهات العالم الحقيقي حيث تكون بعض التفاعلات نادرة والأخرى شائعة، حقق النظام الجديد مستوى عالٍ من الدقة، حيث حدد نوع التفاعل بين أزواج الأدوية بشكل صحيح وبموثوقية أكبر من منافسيه. وأظهرت الدراسة أن الجمع بين المعلومات الكيميائية والبيولوجية والنصية كان أكثر فعالية بكثير من الاعتماد على مصدر واحد للبيانات وحده. فعلى سبيل المثال، أثبت النظام أن قراءة الأوصاف النصية للأدوية قدمت رؤى حاسمة لم تستطع البنى الكيميائية والأهداف البروتينية الكشف عنها بمفردها.

كما أجرى الباحثون اختبارات محددة لمعرفة أي أجزاء من نظامهم كانت تقوم بالعمل الأكبر. ووجدوا أن كل مكون بنوه ساهم في النجاح النهائي. فالجزء الذي يقرأ النص، والجزء الذي يحلل الأهداف البيولوجية، والجزء الذي ينظر في الأشكال الكيميائية، كلها أضافت قيمة فريدة. وعندما أزالوا أي عنصر من هذه العناصر، انخفض أداء النظام، مما أكد أن الصورة الكاملة تتطلب الأنواع الثلاثة من المعلومات. علاوة على ذلك، سلطت الدراسة الضوء على أن طرق تعلم الآلة البسيطة والمستقرة يمكن أن تؤدي أداءً جيدًا جدًا عندما تُمنح هذه البيانات عالية الجودة ومتعددة الأوجه، لكن بنية التعلم العميق الجديدة رفعت الدقة إلى مستويات أعلى من خلال التقاط العلاقات الدقيقة والمعقدة بين الأدوية.

ورغم أن هذا النظام يمثل خطوة كبيرة للأمام، إلا أن المؤلفين واضحون بشأن حدوده الحالية. فهو مصمم خصيصًا للأدوية ذات الجزيئات الصغيرة، وهي النوع الأكثر شيوعًا من الأدوية، ولا يغطي بعد العلاجات البيولوجية الأكبر حجمًا. بالإضافة إلى ذلك، يعتمد النظام على بيانات من مصدر واحد، ويشير الباحثون إلى أن العمل المستقبلي سيحتاج إلى دمج بيانات أكثر تنوعًا واستكشاف كيفية تطبيق هذه الأساليب على تركيبات الأدوية الأكثر ندرة أو تعقيدًا. ومع ذلك، فإن هذا العمل يثبت أنه من خلال تعليم الحواسيب القراءة والتحليل والربط بين أنواع مختلفة من المعلومات العلمية، يمكننا بناء أدوات أفضل بكثير في التنبؤ بمخاطر السلامة. يوفر هذا النهج مسارًا قابلاً للتوسع لتحديد أزواج الأدوية الخطيرة قبل أن تصل إلى المريض، مما قد ينقذ الأرواح ويجعل العالم المعقد للطب الحديث أكثر أمانًا للجميع.