薬物標的相互作用からの有害薬物反応予測のための解釈可能な機械学習フレームワーク

科学分野:

• 薬理学
• 計算生物学
• 機械学習

背景:

• 有害薬物反応（ADR）は、患者の安全性と医療に重大なリスクをもたらします。
• イエローカード制度（YCS）のような現在の薬物警戒方法は、ADRのメカニズムに関する洞察を欠いています。
• 解釈可能な機械学習（ML）と薬物標的相互作用データを組み合わせることで、ADRを予測および理解するための新しいアプローチが提供されます。

研究 の 目的:

• 薬物標的相互作用データを用いた有意なADRを予測するための解釈可能なMLフレームワークを開発すること。
• ADRの根底にある主要な薬理学的関係を特定すること。
• 予測薬物警戒（PPV）を通じて薬物安全性を向上させること。

主な方法:

• 薬物標的相互作用データ（STITCH）とADR報告（YCS）を統合しました。
• 不均衡分析を用いてADRシグナルを特定し、システム臓器クラス（SOC）全体でランダムフォレスト分類器をトレーニングしました。
• SMOTE、Tomek、およびベイズ最適化を使用してデータバランスとハイパーパラメータ調整を行い、解釈可能性のための特徴量重要度と検証のためのDisGeNETを利用しました。

主要な成果:

• SOCカテゴリ全体で高い予測性能を達成し、ROC AUCスコアは最大0.94でした。
• 特徴量重要度分析を通じて薬理学的に関連のある薬物標的を特定しました。
• DisGeNETを用いて所見を検証し、SIDERと比較して実世界データの価値を実証しました。

結論:

• 開発された解釈可能なMLフレームワークは、薬物標的相互作用とADRを効果的にリンクします。
• このアプローチは、予測薬物警戒（PPV）において大きな可能性を示しています。
• このフレームワークは、ADRのメカニズムに関する洞察を提供することにより、より安全な薬物開発をサポートします。