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

Dans le monde de la médecine moderne, les patients prennent souvent plusieurs médicaments différents à la fois pour gérer des problèmes de santé complexes. Bien que cette approche puisse sauver des vies, elle comporte un risque caché : lorsque deux ou plusieurs médicaments se rencontrent à l'intérieur du corps, ils peuvent parfois réagir de manière inattendue. Ces réactions, connues sous le nom d'interactions médicamenteuses, peuvent transformer un traitement utile en un traitement dangereux, provoquant des effets secondaires graves, réduisant l'efficacité du médicament ou entraînant même une hospitalisation. Pendant des décennies, les scientifiques se sont appuyés sur des expériences en laboratoire et des essais cliniques pour identifier ces combinaisons dangereuses avant qu'elles n'atteignent les patients. Cependant, à mesure que le nombre de médicaments approuvés augmente rapidement, tester chaque combinaison possible à la main est devenu impossible. C'est trop lent, trop coûteux, et cela ne peut tout simplement pas suivre le rythme des nouvelles découvertes. Cela a poussé les chercheurs à utiliser l'informatique pour prédire ces interactions, dans l'espoir d'examiner rapidement et en toute sécurité des millions de combinaisons potentielles.

Une nouvelle étude menée par des chercheurs de l'Institut d'études avancées en sciences fondamentales en Iran offre une nouvelle façon puissante de résoudre ce casse-tête. L'équipe, dirigée par Mahdi Nouroozi, Mohsen Hooshmand et Fatemeh Nasiri, a développé un système informatique appelé HySEAtt-DDI. Au lieu d'examiner les médicaments sous un seul angle, leur système agit comme un détective qui rassemble trois types de indices différents pour comprendre comment les médicaments se comportent. Premièrement, il examine la structure chimique des médicaments, en observant l'arrangement spécifique des atomes qui rend chaque molécule unique. Deuxièmement, il étudie le profil biologique des médicaments, en vérifiant à quelles protéines du corps ils s'attachent et comment ils interagissent avec le système humain. Troisièmement, et c'est peut-être le plus surprenant, il lit les descriptions écrites des médicaments trouvées dans les bases de données médicales, utilisant une technologie de langage avancée pour comprendre le contexte et le sens des mots utilisés pour les décrire.

Les chercheurs ont construit leur système sur une collection massive et soigneusement nettoyée de données provenant de DrugBank, un répertoire mondial de confiance pour l'information pharmaceutique. Cet ensemble de données comprend des informations sur 2 148 médicaments à petites molécules approuvés et plus de 2 000 cibles protéiques, couvrant près de 600 000 interactions connues. Pour s'assurer que leur modèle informatique apprenait la vérité sur la façon dont les médicaments interagissent plutôt que de simplement mémoriser des noms, l'équipe a anonymisé les données, remplaçant les noms de médicaments spécifiques par des étiquettes génériques. Cela a forcé le système à se concentrer sur les modèles sous-jacents de la chimie et de la biologie plutôt que sur de simples associations de mots. Ils ont ensuite injecté ces informations riches et multicouches dans un réseau neuronal sophistiqué, un type d'intelligence artificielle conçu pour trouver des modèles complexes que les humains pourraient manquer. Le système utilise une série de couches spécialisées pour compresser la vaste quantité de données en un résumé compact et significatif, puis analyse les détails locaux et les connexions à longue portée entre les différentes caractéristiques des médicaments pour faire ses prédictions.

Lorsque l'équipe a testé son nouveau système, les résultats ont été frappants. Le cadre HySEAtt-DDI a systématiquement surpassé les méthodes informatiques traditionnelles et les autres modèles d'apprentissage profond avancés qui avaient été utilisés pour cette tâche. Dans des tests conçus pour imiter des scénarios du monde réel où certaines interactions sont rares et d'autres courantes, le nouveau système a atteint un haut niveau de précision, identifiant correctement le type d'interaction entre les paires de médicaments avec une fiabilité supérieure à celle de ses concurrents. L'étude a montré que la combinaison des informations chimiques, biologiques et textuelles était bien plus efficace que de s'appuyer sur une seule source de données à elle seule. Par exemple, le système a prouvé que la lecture des descriptions textuelles des médicaments fournissait des informations cruciales que les structures chimiques et les cibles protéiques ne pouvaient révéler seuls.

Les chercheurs ont également mené des tests spécifiques pour voir quelles parties de leur système effectuaient le plus gros du travail. Ils ont découvert que chaque composante qu'ils ont construite a contribué au succès final. La partie du système qui lit le texte, la partie qui analyse les cibles biologiques et la partie qui examine les formes chimiques ont toutes apporté une valeur unique. Lorsqu'ils ont retiré l'un de ces éléments, la performance du système a chuté, confirmant qu'une image complète nécessite les trois types d'informations. De plus, l'étude a souligné que même des méthodes d'apprentissage automatique simples et bien établies pouvaient très bien fonctionner lorsqu'elles étaient dotées de ces données de haute qualité et multiformes, mais que la nouvelle architecture d'apprentissage profond augmentait encore davantage la précision en capturant des relations subtiles et complexes entre les médicaments.

Bien que le système soit une étape importante, les auteurs sont clairs sur ses limites actuelles. Il est conçu spécifiquement pour les petites molécules, qui sont le type de médicament le plus courant, et ne couvre pas encore les thérapies biologiques plus larges. De plus, le système repose sur une source de données unique, et les chercheurs notent que les travaux futurs devront intégrer des données plus diverses et explorer comment ces méthodes pourraient s'appliquer à des combinaisons de médicaments plus rares ou plus complexes. Néanmoins, ce travail démontre qu'en apprenant aux ordinateurs à lire, analyser et connecter différents types d'informations scientifiques, nous pouvons construire des outils bien plus performants pour prédire les risques de sécurité. Cette approche offre une voie évolutive vers l'identification des paires de médicaments dangereuses avant même qu'elles n'atteignent un patient, sauvant potentiellement des vies et rendant le monde complexe de la médecine moderne plus sûr pour tout le monde.