DDI-CYP: Modelos de conjunto de metabolismo para predicciones de interacciones entre fármacos

Área de la Ciencia:

• Farmacología
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• Las interacciones medicamentosas (IDD) mediadas por las enzimas del citocromo P450 (P450) son una causa importante de los efectos adversos de los fármacos.
• La polifarmacoterapia aumenta el riesgo de IDD, especialmente en las poblaciones vulnerables como los ancianos.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático para predecir las DDI mediadas por P450.
• Mejorar la precisión y explicabilidad de los modelos de predicción de DDI.

Principales métodos:

• Se desarrolló un nuevo marco, integrando las predicciones de interacción de P450 con huellas dactilares basadas en la estructura molecular.
• Se entrenó un modelo de aprendizaje automático en estas características combinadas para predecir DDI.
• Se utilizó una vía de resultado adverso para mejorar la explicabilidad del modelo.

Principales resultados:

• El modelo optimizado logró una precisión del 85% en la detección de posibles DDI.
• Este rendimiento representa una mejora significativa con respecto a los modelos que se basan únicamente en información estructural.
• Se demostró que el rendimiento del modelo era sensible a la similitud entre los datos de entrenamiento y de inferencia (dominio de aplicabilidad).

Conclusiones:

• El marco de aprendizaje automático desarrollado predice efectivamente las DDI mediadas por P450 con alta precisión.
• El modelo mejora la explicabilidad y la aplicabilidad en el mundo real para identificar posibles interacciones farmacológicas.
• Las herramientas computacionales para la predicción de la DDI son cruciales para la seguridad del paciente y el desarrollo de fármacos en etapas tempranas.