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

Nel mondo della medicina moderna, i pazienti assumono spesso diversi medicinali contemporaneamente per gestire condizioni di salute complesse. Sebbene questo approccio possa essere salvavita, comporta un rischio nascosto: quando due o più farmaci si incontrano all'interno del corpo, possono talvolta reagire in modi inaspettati. Queste reazioni, note come interazioni farmaco-farmaco, possono trasformare un trattamento utile in uno pericoloso, causando gravi effetti collaterali, riducendo l'efficacia del medicinale o portando persino all'ospedalizzazione. Per decenni, gli scienziati si sono affidati a esperimenti di laboratorio e studi clinici per individuare queste combinazioni pericolose prima che raggiungano i pazienti. Tuttavia, con la rapida crescita del numero di medicinali approvati, testare ogni possibile combinazione manualmente è diventato impossibile. È troppo lento, troppo costoso e semplicemente non riesce a tenere il passo con il ritmo delle nuove scoperte. Ciò ha spinto i ricercatori verso l'uso dei computer per prevedere queste interazioni, sperando di esaminare milioni di potenziali combinazioni in modo rapido e sicuro.

Uno studio recente condotto da ricercatori dell'Istituto per gli Studi Avanzati nelle Scienze di Base in Iran offre un nuovo e potente modo per risolvere questo enigma. Il team, guidato da Mahdi Nouroozi, Mohsen Hooshmand e Fatemeh Nasiri, ha sviluppato un sistema informatico chiamato HySEAtt-DDI. Invece di guardare i farmaci attraverso una sola lente, il loro sistema agisce come un detective che raccoglie tre diversi tipi di indizi per capire come si comportano i medicinali. Primo, esamina la struttura chimica dei farmaci, osservando la specifica disposizione degli atomi che rende unica ogni molecola. Secondo, studia il profilo biologico dei farmaci, controllando a quali proteine nel corpo si agganciano e come interagiscono con il sistema umano. Terzo, e forse più sorprendentemente, legge le descrizioni scritte dei farmaci presenti nei database medici, utilizzando una tecnologia linguistica avanzata per comprendere il contesto e il significato dietro le parole usate per descriverli.

I ricercatori hanno costruito il loro sistema su una vasta collezione di dati accuratamente puliti, tratti da DrugBank, un repository globale di informazioni farmaceutiche affidabile. Questo set di dati include informazioni su 2.148 farmaci a piccola molecola approvati e oltre 2.000 bersagli proteici, coprendo quasi 600.000 interazioni note. Per garantire che il loro modello informatico apprendesse la verità su come i farmaci interagiscono piuttosto che limitarsi a memorizzare i nomi, il team ha anonimizzato i dati, sostituendo i nomi specifici dei farmaci con etichette generiche. Ciò ha costretto il sistema a concentrarsi sui modelli sottostanti di chimica e biologia piuttosto che su semplici associazioni di parole. Hanno poi inserito queste ricche informazioni multilivello in una sofisticata rete neurale, un tipo di intelligenza artificiale progettata per trovare schemi complessi che gli esseri umani potrebbero ignorare. Il sistema utilizza una serie di strati specializzati per comprimere la vasta quantità di dati in un riassunto compatto e significativo, per poi analizzare i dettagli locali e le connessioni a lungo raggio tra i diversi attributi del farmaco per formulare le sue previsioni.

Quando il team ha testato il suo nuovo sistema, i risultati sono stati sorprendenti. Il framework HySEAtt-DDI ha superato costantemente i metodi informatici tradizionali e altri modelli avanzati di deep learning utilizzati per questo compito. Nei test progettati per simulare scenari del mondo reale in cui alcune interazioni sono rare e altre comuni, il nuovo sistema ha raggiunto un alto livello di precisione, identificando correttamente il tipo di interazione tra coppie di farmaci con maggiore affidabilità rispetto ai suoi concorrenti. Lo studio ha dimostrato che combinare informazioni chimiche, biologiche e testuali era molto più efficace rispetto al ricorso a una singola fonte di dati da sola. Ad esempio, il sistema ha provato che la lettura delle descrizioni testuali dei farmaci forniva intuizioni cruciali che le strutture chimiche e i bersagli proteici non potevano rivelare da soli.

I ricercatori hanno inoltre eseguito test specifici per vedere quali parti del loro sistema stessero svolgendo il lavoro principale. Hanno scoperto che ogni componente costruito contribuiva al successo finale. La parte del sistema che legge il testo, la parte che analizza i bersagli biologici e la parte che osserva le forme chimiche hanno aggiunto tutte un valore unico. Quando hanno rimosso uno qualsiasi di questi elementi, le prestazioni del sistema sono diminuite, confermando che un quadro completo richiede tutti e tre i tipi di informazioni. Inoltre, lo studio ha evidenziato come anche i metodi di machine learning semplici e ben stabiliti potessero funzionare molto bene se dotati di questi dati di alta qualità e multifaccettati, ma la nuova architettura di deep learning ha elevato ulteriormente la precisione catturando relazioni sottili e complesse tra i farmaci.

Sebbene il sistema rappresenti un passo avanti significativo, gli autori sono chiari riguardo ai suoi attuali limiti. È progettato specificamente per i farmaci a piccola molecola, che sono il tipo di medicinale più comune, e non copre ancora le terapie biologiche più grandi. Inoltre, il sistema si basa sui dati di una singola fonte, e i ricercatori sottolineano che il lavoro futuro dovrà integrare dati più diversificati ed esplorare come questi metodi possano applicarsi a combinazioni di farmaci più rare o complesse. Ciononostante, questo lavoro dimostra che insegnando ai computer a leggere, analizzare e connettere diversi tipi di informazioni scientifiche, possiamo costruire strumenti che sono molto più capaci di prevedere i rischi per la sicurezza. Questo approccio offre un percorso scalabile verso l'identificazione di accoppiamenti farmacologici pericolosi prima che raggiungano il paziente, salvando potenzialmente vite e rendendo il complesso mondo della medicina moderna più sicuro per tutti.