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

In de wereld van de moderne geneeskunde nemen patiënten vaak verschillende medicijnen tegelijkertijd in om complexe gezondheidstoestanden te beheersen. Hoewel deze aanpak levensreddend kan zijn, brengt het een verborgen risico met zich mee: wanneer twee of meer medicijnen elkaar in het lichaam ontmoeten, kunnen ze soms op onverwachte manieren reageren. Deze reacties, bekend als medicijn-medicijninteracties, kunnen een nuttige behandeling veranderen in een gevaarlijke door ernstige bijwerkingen te veroorzaken, de effectiviteit van het medicijn te verminderen of zelfs tot ziekenhuisopname te leiden. Decennialang hebben wetenschappers vertrouwd op laboratoriumexperimenten en klinische studies om deze gevaarlijke combinaties te vinden voordat ze de patiënt bereiken. Echter, naarmate het aantal goedgekeurde medicijnen snel groeit, is het testen van elke mogelijke combinatie met de hand echter onmogelijk geworden. Het is te traag, te duur en kan simpelweg het tempo van nieuwe ontdekkingen niet bijhouden. Dit heeft onderzoekers gedreven naar het gebruik van computers om deze interacties te voorspellen, in de hoop deze miljoenen potentiële combinaties snel en veilig te screenen.

Een nieuwe studie van onderzoekers van het Institute for Advanced Studies in Basic Sciences in Iran biedt een krachtige nieuwe manier om dit puzzelstuk op te lossen. Het team, geleid door Mahdi Nouroozi, Mohsen Hooshmand en Fatemeh Nasiri, ontwikkelde een computersysteem genaamd HySEAtt-DDI. In plaats van medicijnen door slechts één lens te bekijken, werkt hun systeem als een detective die drie verschillende soorten aanwijzingen verzamelt om te begrijpen hoe medicijnen zich gedragen. Ten eerste onderzoekt het de chemische structuur van de medicijnen, waarbij gekeken wordt naar de specifieke rangschikking van atomen die elk molecuul uniek maakt. Ten tweede bestudeert het het biologische profiel van de medicijnen, waarbij wordt gecontroleerd aan welke eiwitten in het lichaam ze zich hechten en hoe ze interageren met het menselijke systeem. Ten derde, en misschien wel het meest verrassend, leest het de geschreven beschrijvingen van de medicijnen die in medische databases te vinden zijn, waarbij geavanceerde taaltechnologie wordt gebruikt om de context en de betekenis achter de woorden die de medicijnen beschrijven te begrijpen.

De onderzoekers bouwden hun systeem op een enorme, zorgvuldig schoongemaakte collectie gegevens afkomstig van DrugBank, een vertrouwde wereldwijde opslagplaats van farmaceutische informatie. Deze dataset bevat informatie over 2.148 goedgekeurde kleine moleculen en meer dan 2.000 eiwitdoelwitten, wat bijna 600.000 bekende interacties beslaat. Om ervoor te zorgen dat hun computermodel de waarheid leerde over hoe medicijnen interageren in plaats van alleen namen te onthouden, heeft het team de gegevens geanonimiseerd door specifieke medicijnnamen te vervangen door generieke labels. Dit dwong het systeem om zich te concentreren op de onderliggende patronen van chemie en biologie in plaats van op eenvoudige woordassociaties. Ze voedden deze rijke, gelaagde informatie vervolgens aan een geavanceerd neuraal netwerk, een type kunstmatige intelligentie dat is ontworpen om complexe patronen te vinden die mensen misschien missen. Het systeem gebruikt een reeks gespecialiseerde lagen om de enorme hoeveelheid gegevens samen te persen tot een compacte, betekenisvolle samenvatting, en analyseert vervolgens lokale details en langetermijnverbindingen tussen verschillende kenmerken van medicijnen om zijn voorspellingen te doen.

Toen het team hun nieuwe systeem testte, waren de resultaten opmerkelijk. Het HySEAtt-DDI-framework presteerde consequent beter dan traditionele computermethoden en andere geavanceerde deep learning-modellen die voor deze taak waren gebruikt. In tests die bedoeld waren om realistische scenario's na te bootsen waarbij sommige interacties zeldzaam zijn en andere algemeen voorkomen, bereikte het nieuwe systeem een hoog niveau van nauwkeurigheid en identificeerde het het type interactie tussen medicijnparen betrouwbaarder dan zijn concurrenten. De studie toonde aan dat het combineren van chemische, biologische en tekstuele informatie veel effectiever was dan het vertrouwen op slechts één enkele bron van gegevens alleen. Zo bewees het systeem dat het lezen van de tekstuele beschrijvingen van medicijnen cruciale inzichten bood die de chemische structuren en eiwitdoelwitten niet op zichzelf konden onthullen.

De onderzoekers voerden ook specifieke tests uit om te zien welk deel van hun systeem het meeste werk verrichtte. Ze vonden dat elke component die ze hadden gebouwd bijdroeg aan het uiteindelijke succes. Het deel van het systeem dat tekst leest, het deel dat biologische doelwitten analyseert en het deel dat naar chemische vormen kijkt, voegden allemaal unieke waarde toe. Wanneer ze een van deze elementen verwijderden, daalde de prestatie van het systeem, wat bevestigde dat een volledig beeld alle drie de soorten informatie vereist. Bovendien benadrukte de studie dat zelfs eenvoudige, goed gevestigde machine learning-methoden zeer goed kunnen presteren wanneer ze deze hoogwaardige, veelzijdige gegevens krijgen, maar de nieuwe deep learning-architectuur tilde de nauwkeurigheid nog hoger door subtiele, complexe relaties tussen de medicijnen te vangen.

Hoewel het systeem een belangrijke stap voorwaarts is, zijn de auteurs zich bewust van de huidige beperkingen ervan. Het is specifiek ontworpen voor kleine moleculen, wat het meest voorkomende type medicijn is, en dekt nog niet de grotere biologische therapieën. Daarnaast vertrouwt het systeem op gegevens uit één enkele bron, en de onderzoekers merken op dat toekomstig werk meer diverse gegevens zal moeten integreren en moet onderzoeken hoe deze methoden kunnen worden toegepast op zeldzamere of complexere medicijncombinaties. Desalniettemin demonstreert dit werk dat door computers te leren lezen, te analyseren en verschillende soorten wetenschappelijke informatie te verbinden, we hulpmiddelen kunnen bouwen die veel beter zijn in het voorspellen van veiligheidsrisico's. Deze aanpak biedt een schaalbaar pad naar het identificeren van gevaarlijke medicijncombinaties voordat ze ooit een patiënt bereiken, wat potentieel levens kan redden en de complexe wereld van de moderne geneeskunde veiliger kan maken voor iedereen.