Red neuronal de grafos basada en rutas para la predicción e interpretación de la sinergia de fármacos

Área de la Ciencia:

• Biología computacional
• Farmacología
• Inteligencia artificial en medicina

Sus antecedentes:

• La terapia combinada ofrece una mayor eficacia y una menor toxicidad para enfermedades complejas.
• El creciente número de combinaciones de fármacos presenta desafíos en el cribado de fármacos y la predicción de sinergia.
• Los métodos de predicción existentes a menudo carecen de interpretabilidad con respecto a los mecanismos de acción.

Objetivo del estudio:

• Desarrollar un modelo interpretable para predecir combinaciones de fármacos sinérgicos.
• Elucidar los mecanismos subyacentes a la sinergia de fármacos a través de la interpretación del modelo.
• Abordar las limitaciones de los métodos actuales de predicción de sinergia de fármacos.

Principales métodos:

• Se propuso SDCInterpreter, una red neuronal interpretable basada en rutas.
• Se construyó un grafo heterogéneo que integra fármacos, genes, vías y entidades de líneas celulares.
• Se emplearon redes convolucionales de grafos relacionales, aprendizaje de máscaras y el algoritmo de Dijkstra para la predicción e interpretación.

Principales resultados:

• SDCInterpreter demostró un sólido rendimiento en la predicción de la sinergia de fármacos.
• El modelo generó con éxito información interpretable sobre los mecanismos de las combinaciones de fármacos sinérgicos.
• Los resultados experimentales validaron las capacidades predictivas e interpretativas del modelo.

Conclusiones:

• SDCInterpreter proporciona un enfoque eficaz para predecir e interpretar la sinergia de fármacos.
• El modelo mejora la comprensión de los mecanismos de combinación de fármacos en líneas celulares.
• Este método de IA interpretable puede ayudar en el descubrimiento y desarrollo de fármacos clínicos.