Μία μέθοδο πρόβλεψης των παρενεργειών που προκύπτουν από συνδυασμούς φαρμάκων ανέπτυξαν ερευνητές του Stanford University, χρησιμοποιώντας τεχνολογία τεχνητής νοημοσύνης.
Σε paper που παρουσίασαν στην ετήσια συνάντηση της International Society for Computational Biology στο Σικάγο για το 2018, η Μαρίνκα Ζίτνικ, μεταδιδακτορική στην επιστήμη υπολογιστών, και οι Μόνικα Αγκραβάλ και Τζουρ Λέσκοβετς παρουσίασαν ένα σύστημα τεχνητής νοημοσύνης που προβλέπει- δεν παρακολουθεί απλά- τις παρενέργειες από συνδυασμούς φαρμάκων. Το σύστημα αυτό, ονόματι Decagon, θα μπορούσε να βοηθήσει τους γιατρούς να λαμβάνουν καλύτερες αποφάσεις σχετικά με τα φάρμακα που γράφουν στους ασθενείς και να συμβάλει στην εύρεση καλύτερων συνδυασμών φαρμάκων για τη χορήγηση «δύσκολων» ασθενειών.
Οι Ζίτνικ, Αγκραβάλ και Λέσκοβετς μελέτησαν πώς τα φάρμακα επηρεάζουν τους κυτταρικούς μηχανισμούς του σώματος. Αυτό που έκαναν ήταν να δημιουργήσουν ένα τεράστιο δίκτυο όπου περιγράφεται πώς η καθεμιά από τις 19.000 πρωτεΐνες στα σώματά μας αλληλεπιδρά με τις άλλες και πώς διαφορετικά φάρμακα τις επηρεάζουν. Χρησιμοποιώντας πάνω από τέσσερα εκατομμύρια γνωστούς συσχετισμούς μεταξύ φαρμάκων και παρενεργειών, στη συνέχεια σχεδίασαν μια μέθοδο εντοπισμού «μοτίβων» σχετικά με το πώς προκύπτουν παρενέργειες με βάση το πώς τα φάρμακα στοχεύουν διαφορετικές πρωτεΐνες. Για να το επιτύχουν αυτό, χρησιμοποίησαν deep learning, ένα είδος τεχνητής νοημοσύνης που έχει ως πρότυπό του τον ανθρώπινο εγκέφαλο.
Σε δοκιμές που έγιναν, αποδείχθηκε πως οι προβλέψεις του Decagon (οι συσχετισμοί/ μοτίβα που διαπίστωνε) έπεφταν μέσα. «Είναι έκπληξη το ότι τα δίκτυα αλληλεπίδρασης πρωτεϊνών αποκαλύπτουν τόσα πολλά σχετικά με τις παρενέργειες των φαρμάκων» είπε ο Λέσκοβετς, που είναι επίσης μέλος των Stanford Bio-X, Stanford Neurosciences Institute και του Chan Zuckerberg Biohub.
Επί της παρούσης, το Decagon μπορεί να βρίσκει παρενέργειες που σχετίζονται μόνο με ζεύγη φαρμάκων- ωστόσο στο μέλλον οι ερευνητές ελπίζουν να επεκτείνουν τα αποτελέσματά τους έτσι ώστε να περιλαμβάνουν πιο πολύπλοκες αγωγές. Επίσης, ελπίζουν να καταφέρουν να δημιουργήσουν ένα πιο «φιλικό προς τον χρήστη» εργαλείο που θα καθοδηγεί τους γιατρούς όσον αφορά στο αν είναι καλή ιδέα να γραφτεί ένα συγκεκριμένο φάρμακο σε έναν συγκεκριμένο ασθενή, και θα βοηθά στην ανάπτυξη φαρμακευτικών αγωγών για πολύπλοκες ασθένειες που θα περιλαμβάνουν λιγότερες παρενέργειες.
