ارائه یک روش جدید برای بررسی اثرات جفت داروها با استفاده از یادگیری ماشین

برهمکنش دارو- دارو ممکن است باعث بروز عوارض دارویی جبران ناپذیر شود. بنابراین اهمیت شناسایی برهمکنش دارو- دارو قبل از تجویز چند دارو کاملا مشخص است. تشخیص بالینی برهمکنش دارو - دارو به طور کلی به زمان و هزینه زیادی نیاز دارد. روشهای محاسباتی به عنوان گزینه جایگزین روشی بسیار ارزانتر برای شناسایی برهمکنشها در مقیاس بزرگ فراهم میکنند. اکثر روشها فقط پیشبینی میکنند که آیا یک دارو بر روی داروی دیگر برهمکنش دارد یا خیر. اما میزان تاثیرات برهمکنش را بررسی نمی کنند. بررسی رابطه دو متغیره برهمکنش- تاثیر بسیار اهمیت دارد، زیرا به کمک تشخیص و فهم عملکرد دارویی خواهد آمد که در تجویز دارو نقش راهبردی دارد. در این روش با استفاده از روابط ساختاری بین داروها مجموعه ای از برهمکنشهای داروهای مشخص را در نظر گرفته ایم. سپس برای پیش بینی اثرات، یک شبکه جدید با ترکیب ویژگی ها و یادگیری عمیق طراحی کرده ایم. ارزیابی نتایج نشان میدهد که در برهمکنش دارو- دارو مقادیر AUC = ۰/۹۳ و AUP = ۰/۹۳ و در برهمکنش- تاثیر مقادیر AUC = ۰/۹۳ و AUP= ۰/۸۷ به دست آمدهاست که در مقایسه با کارهای انجام شده در گذشته برتری این روش را نشان میدهد.