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

現代医学の世界では、複雑な健康状態を管理するために、患者が一度に数種類の異なる薬を服用することがよくあります。このアプローチは命を救うものですが、隠れたリスクも伴います。それは、2種類以上の薬が体内に出会ったとき、それらが予期せぬ形で反応してしまうことがあるという点です。これらの反応は「薬物相互作用（drug-drug interactions）」と呼ばれ、有益な治療を危険なものに変え、深刻な副作用を引き起こしたり、薬の効果を減少させたり、あるいは入院に至らせたりすることさえあります。数十年にわたり、科学者たちは、これらの危険な組み合わせが患者に届く前に発見するために、実験室での実験や臨床試験に頼ってきました。しかし、承認される医薬品の数が急速に増加するにつれ、あらゆる可能な組み合わせを手作業でテストすることは不可能になっています。それはあまりにも時間がかかり、コストがかかりすぎ、新しい発見のペースに到底追いつけないからです。このことが、研究者たちをコンピュータを使用してこれらの相互作用を予測する方向へと押し進めました。膨大な数の潜在的な組み合わせを、迅速かつ安全にスクリーニングすることを期待しているのです。

イランの基礎科学高度研究所の研究者による新しい研究は、このパズルを解くための強力な新しい方法を提示しています。Mahdi Nouroozi、Mohsen Hooshmand、そしてFatemeh Nasiriが率いるチームは、「HySEAtt-DDI」と呼ばれるコンピュータシステムを開発しました。彼らのシステムは、薬を単一の視点から見るのではなく、薬の振る舞いを理解するために3つの異なる種類の「手がかり」を集める探偵のように機能します。第一に、薬の化学構造を調べ、各分子をユニークにする原子の特定の配置を観察します。第二に、薬の生物学的プロファイルを研究し、それらが体内のどのタンパク質に結合し、人間のシステムとどのように相互作用するかを確認します。第三に、おそらく最も驚くべきことに、医学データベースにある薬の記述された説明文を読み取り、高度な言語技術を用いて、言葉の背後にある文脈や意味を理解します。

研究者たちは、信頼できるグローバルな医薬品情報リポジトリであるDrugBankから抽出された、大規模で注意深く精査されたデータコレクションに基づいてこのシステムを構築しました。このデータセットには、2,148種類の承認された低分子医薬品と2,000以上のタンパク質標的に関する情報が含まれており、既知の相互作用を約60万件カバーしています。コンピュータモデルが単に名前を暗記するのではなく、薬がどのように相互作用するかという真実を学習するように、チームはデータを匿名化し、特定の薬の名前を一般的なラベルに置き換えました。これにより、システムは単純な言葉の連想ではなく、化学と生物学の根底にあるパターンに焦点を当てることを強制されました。その後、彼らはこの豊かで多層的な情報を、人間が見逃す可能性のある複雑なパターンを見つけ出すように設計された人工知能の一種である、洗練されたニューラルネットワークに投入しました。このシステムは、一連の特化した層を使用して、膨大な量のデータをコンパクトで意味のある要約へと圧縮し、次に異なる薬の特徴間の局所的な詳細と長距離の接続を分析して、予測を行います。

チームがこの新しいシステムをテストしたとき、その結果は驚くべきものでした。HySEAtt-DDIフレームワークは、このタスクに使用されてきた従来のコンピュータ手法や他の高度なディープラーニングモデルを一貫して上回りました。一部の相互作用は稀であり、他のものは一般的であるという現実世界のシナリオを模したテストにおいて、この新システムは高い精度を達成し、競合他社よりも高い信頼性で薬のペア間の相互作用の種類を正しく特定しました。この研究は、化学的、生物学的、およびテキスト情報の組み合わせが、単一の情報源のみに頼るよりもはるかに効果的であることを示しました。例えば、システムは、薬のテキストによる記述を読むことが、化学構造やタンパク質標的だけでは明らかにできない重要な洞察を提供することを証明しました。

研究者たちはまた、システムのどの部分が最も大きな役割を果たしているかを確認するために、特定のテストを実施しました。彼らは、構築したすべてのコンポーネントが最終的な成功に寄与していることを見出しました。テキストを読み取る部分、生物学的標的を分析する部分、そして化学的な形状を見る部分は、それぞれが独自の価値を加えていました。これらの中のいずれか一つの要素を取り除くと、システムの性能が低下したことから、完全な全体像にはこれら3種類の情報のすべてが必要であることが確認されました。さらに、本研究は、高品質で多面的なデータを与えられれば、単純で確立された機械学習手法であっても非常に優れた性能を発揮できることを強調しましたが、新しいディープラーニングアーキテクチャは、薬の間の微妙で複雑な関係を捉えることで、精度をさらに高めました。

このシステムは大きな前進ではありますが、著者らは現在の限界についても明確に述べています。これは最も一般的な種類の医薬品である低分子医薬品に特化して設計されており、まだ大きな生物学的製剤はカバーしていません。さらに、システムは単一のソースからのデータに依存しており、研究者たちは、将来の研究において、より多様なデータを統合し、これらの手法がより稀または複雑な薬の組み合わせにどのように適用できるかを探求する必要があると指摘しています。それにもかかわらず、この研究は、コンピュータに読み、分析し、異なる種類の科学的情報を結びつけることを教えることで、安全性リスクを予測するためのより優れたツールを構築できることを示しています。このアプローチは、危険な薬の組み合わせを患者に届く前に特定するためのスケーラブルな道を提供し、現代医学の複雑な世界をより安全にする可能性があります。