О.В. Непомнящий1, А.Г. Хантимиров2, М.М.И. Аль-Сагир3, С.А. Котов4

1–4 ФГАОУ ВО «Сибирский федеральный университет» (г. Красноярск, Россия)

1 ONepomnuashy@sfu-kras.ru, 2 anton-xant@mail.ru, 3 mahamedali51@yahoo.com

Постановка проблемы. Изучение результатов совместного применения двух и более лекарственных препаратов возможно как посредством медицинских лабораторных исследований, так и с помощью компьютерного моделирования. Однако диагностика результатов таких взаимодействий с помощью лабораторных методов требует значительных затрат, поэтому с увеличением номенклатуры лекарств, практически невозможно выявить все возможные результаты взаимодействий. В свою очередь, технологии вычислительной фармацевтики позволяют отбирать наиболее подходящие препараты из перечня лекарств и строить прогнозы, тем самым сокращая количество необходимых лабораторных тестов. Точность подобных прогнозов является ключевым фактором, который обуславливает необходимость развития и создания новых вычислительных подходов.

Цель. Проверить гипотезы о потенциале технологий глубокого обучения для выделения искомой функции из многих результатов взаимодействий лекарственных средств с целью улучшения точности прогнозирования.

Результаты. Предложено решение, базирующееся на совместном использовании сверточной нейронной сети и эволюционного алгоритма. Проведено обучение и получены результаты сравнительного анализа различных режимов прогнозирования с использованием ряда известных алгоритмов. Показано, что использование алгоритма сальпового роя приводит к увеличению точности, чувствительности, избирательности и достоверности по сравнению с известными методами на одинаковых наборах данных.

Практическая значимость. Предложенный подход может решить проблемы, связанные с диагностикой лекарственных взаимодействий, и имеет потенциал для улучшения точности диагностики в фармацевтических контекстах. Оптимизация использования ресурсов и повышение эффективности процессов в области вычислительной фармацевтики могут быть полезны как исследователям, так и практикующим специалистам.

Непомнящий О.В., Хантимиров А.Г., Аль-Сагир М.М.И., Котов С.А. Применение сверточной нейронной сети и эволюционного алгоритма для прогнозирования результатов побочных взаимодействий лекарственных средств // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 4. С. 45-55. DOI: https://doi.org/10.18127/j19998554-202404-05

1. База лекарственных средств, изъятых из обращения. [Электронный ресурс] – Режим доступа: http://www.omdrug.ru/pro-info/drug_base/, дата обращения 14.03.2024.
2. Гусев А.В., Романов Ф.А., Дуданов И.П., Воронин А.В. Медицинские информационные системы: Монография. Петроза­водск: ПетрГУ. 2005. 404 с.
3. Alhaj F., Qutishat D., Harahsheh H.A., Obeid N., Hammo B. Detecting DDI Using Ontology: Drug Mechanism of Action // IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology. 2019. P. 179–185. DOI 10.1109/ JEEIT.2019.8717527.
4. Marcath L.A., Coe T.D., Hoylman E.K., Redman B.G., Hertz D.L. Prevalence of drug-drug interactions in oncology patients enrolled on National Clinical Trials Network oncology clinical trials // BMC Cancer. 2018. V. 18. № 1. P. 1–8. DOI 10.1186/s12885-018-5076-0.
5. Zhang C., Zang T. CNN-DDI: A novel deep learning method for predicting drug-drug interactions // IEEE International Conference on Bioinformatics and Biomedicine. 2020. P. 1708–1713. DOI 10.1109/BIBM49941.2020.9313404.
6. Zhang W., Chen Y., Liu F., Luo F., Tian G., Li X. Predicting potential drug-drug interactions by integrating chemical, biological, phenotypic and network data // BMC Bioinformatics. 2017. V. 18. № 1. P. 18. DOI 10.1186/s12859-016-1415-9.
7. Purkayastha S., Mondal I., Sarkar S., Goyal P., Pillai J.K. Drug-Drug Interactions Prediction Based on Drug Embedding and Graph Auto-Encoder // IEEE 19th International Conference on Bioinformatics and Bioengineering. 2019. P. 547–552. DOI 10.1109/BIBE. 2019.00104.
8. Ferdousi R., Safdari R., Omidi Y. Computational prediction of drug-drug interactions based on drugs functional similarities // Journal of Biomedical Informatics. 2017. V. 70. P. 54–64. DOI 10.1016/j.jbi.2017.04.021.
9. Sun X., Ma L., Du X., Feng J., Dong K. Deep Convolution Neural Networks for Drug-Drug Interaction Extraction // IEEE International Conference on Bioinformatics and Biomedicine. 2018. P. 1662–1668. DOI 10.1109/BIBM.2018.8621405.
10. Weng Y.-A., Deng C.-Y., Pu C. Targeting continuity of care and polypharmacy to reduce drug-drug interaction // Scientific reports. 2020. V. 10. № 1. P. 1–9. DOI 10.1038/s41598-020-78236-y.
11. Саймон Д. Алгоритмы эволюционной оптимизации. М.: ДМК Пресс. 2020. 1002 с.
12. Коршунова К.П. Сверточные нечеткие нейронные сети для решения классификационных задач // Нейрокомпьютеры: разработка, применение. 2017. № 3. С. 44–51.
13. Vilar S., Harpaz R., Uriarte E., Santana L., Rabadan R., Friedman C. Drug-drug interaction through molecular structure similarity analysis // Journal of the American Medical Informatics Association. 2012. V. 19. № 6. P. 1066–1074. DOI 10.1136/amiajnl-2012-000935.
14. Gottlieb A., Stein G.Y., Oron Y., Ruppin E., Sharan R. INDI: a computational framework for inferring drug interactions and their associated recommendations // Molecular systems biology. 2012. V. 8. № 1. P. 592. DOI 10.1038/msb.2012.26.
15. Cheng F., Zhao Z. Machine learning-based prediction of drug-drug interactions by integrating drug phenotypic, therapeutic, chemical, and genomic properties // Journal of the American Medical Informatics Association. 2014. V. 21. № e2. P. e278–e286. DOI 10.1136/amiajnl-2013-002512.
16. Zhang P., Wang F., Hu J., Sorrentino R. Label Propagation Prediction of Drug-Drug Interactions Based on Clinical Side Effects // Scientific reports. 2015. V. 5. № 1. P. 1–10. DOI 10.1038/srep12339.
17. Salp Swarm Algorithm. [Электронный ресурс] – Режим доступа: https://www.baeldung.com/cs/salp-swarm-algorithm, дата обращения 14.03.2024.
18. Mirjalili S., Gandomi A.H., Mirjalili S.Z., Saremi S., Faris H., Mirjalili S.M. Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems // Advances in Engineering Software. 2017. V. 114. P. 163–191. DOI 10.1016/j.advengsoft.2017.07.002.
19. Matsugu M., Mori K., Mitari Y., Kaneda Y. Subject independent facial expression recognition with robust face detection using a convolutional neural network // Neural Networks. 2003. V. 16. № 5-6. P. 555–559. DOI 10.1016/S0893-6080(03)00115-1.
20. Romanuke V. Appropriate number and allocation of ReLUs in convolutional neural networks // Research Bulletin of the National Technical University of Ukraine Kyiv Politechnic Institute. 2017. V. 1. P. 69–78. DOI 10.20535/1810-0546.2017.1.88156.
21. GitHub –YifanDengWHU/DDIMDL. [Электронный ресурс] – Режим доступа: https://github.com/YifanDengWHU/DDIMDL, дата обращения 14.03.2024.
22. GitHub – tulga-rdn/re_deepddi2: Rewriting DeepDDI2 using pytorch for better compatibility. [Электронный ресурс] – Режим доступа: https://github.com/tulga-rdn/re_deepddi2, дата обращения 14.03.2024.
23. GitHub – mims-harvard/decagon: Graph convolutional neural network for multirelational link prediction. [Электронный ресурс] – Режим доступа: https://github.com/mims-harvard/decagon, дата обращения 14.03.2024.
24. Installation – Locust 2.29 documentation. [Электронный ресурс] – Режим доступа: https://docs.locust.io/en/stable/installa­tion.html, дата обращения 14.03.2024.