С.А. Котов1, О.В. Непомнящий2, С.Ю. Пичковская3, Ю.В. Краснобаев4

1-4 Институт космических и информационных технологий Сибирского федерального университета (г. Красноярск, Россия)

1 SKotov-ki18@stud.sfu-kras.ru, 2 ONepomnuashy@sfu-kras.ru, 3 SLipunova@sfu-kras.ru, 4 ykrasnobaev@sfu-kras.ru

Постановка проблемы. В настоящее время актуальна проблема комплексного применения лекарственных препаратов (полипрагмазии) с точки зрения вычислительной фармацевтики. Анализ результатов таких взаимодействий с помощью лабораторных методов требует значительных ресурсов. В связи с этим при увеличении ассортимента лекарств становится практически невозможным охватить максимальный спектр таких взаимодействий. Необходимо рассмотреть известные вычислительные методы и обсудить проблему обеспечения полноты и точности результатов, вызванную разнообразием наборов взаимодействий, используемых в машинном обучении.

Цель. Проверить гипотезу о том, что использование технологий глубокого обучения может позволить выделить искомую функцию из множества результатов взаимодействий, что, в свою очередь, повысит точность прогнозирования.

Результаты. Предложено решение, основанное на совместном использовании сверточной нейронной сети и эволюционного алгоритма. Описана архитектура нейронной сети и принцип ее работы. Представлена математическая модель, сформированы наборы данных для обучения и проверки работоспособности нейронной сети. Проведено обучение и выполнен сравнительный анализ известных алгоритмов в различных режимах прогнозирования.

Практическая значимость. Комбинированное использование сверточной нейронной сети и алгоритма сальпового роя позволит повысить точность, чувствительность, избирательность и надежность по сравнению с известными методами на аналогичных наборах данных.

Котов С.А., Непомнящий О.В., Пичковская С.Ю., Краснобаев Ю.В. Интегрированный метод машинного обучения для анализа побочных эффектов полипрагмазии // Наукоемкие технологии. 2026. Т. 27. № 2. С. 22−31. DOI: https://doi.org/ 10.18127/ j19998465-202602-02

1. База лекарственных средств, изъят ых из обращения. URL: http://w ww.omdrug.ru/pro-info/drug_base/ (дата обращения 14.04.2025).
2. Сборник тезисов конференции «Вычис лительная биология и искусств енный интеллект для персо нализированной медицины – 2024» (7–9 августа 2024 г., онлайн-формат). ГНЦ РФ ФГБУ «НМИЦ эндокринологии» Минздрава России. 2024.
3. Marcath L.A., Coe T.D., Hoylman E.K., Redman B.G., Hertz D.L. Prevalence of drug-druginteractions in oncologypatients enrolled on National Clinical Trials Network oncologyclinical trials. BMC Cancer. 2018. V. 18. № 1. P. 1–8.
4. Zhang C., Zang T. CNN-DDI: A noveldeep learning method for predicting drug-druginteractions. IEEE International Conference on Bioinformatics and Biomedicine (BIBM). 2020. P. 1708–1713.
5. Zhang W., Chen Y., Liu F., Luo F., Tian G., Li X. Predicting potential drug-druginteractions by integrating che mical, biological, phenotypic and networkdata. BMC Bioinformatics. 2017. V. 18. № 1. P. 18. doi: 10.1186/s12859-016-1415-9.
6. Sun X., Ma L., Du X., Feng J., Dong K. Deep convolution neural networks for drug-druginteraction ext raction. IEEE international conference on bioinformatics and biomedicinee (bibm). 2018. P. 1662–1668.
7. Weng Y.-A., Deng C.-Y., Pu C. Targeting continuity of care and polypharmacy to reducedrug-d rug interaction. Sci. Rep. 2020. V. 10. № 1. P. 1–9.
8. Alhaj F., Qutishat D., Al Harahsheh H., Obeid N., Hammo B. Detecting DDI Using Ontology: Drug Mechanism of Action. IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT). 2019. P. 179–185.
9. Vilar S., Harpaz R., Uriarte E., Santana L., Rabadan R., Friedman C. Drug-druginteraction through molecular structure similarity analysis. Am J. Med. Informatics Assoc. 2012. V. 19. № 6. P. 1066–1074. doi: 10.1136/amiajnl-2012-000 9 3
10. Gottlieb A., Stein G.Y., Oron Y., Ruppin E., Sharan R. INDI: acomputational framework for inferring drug interactions and theirassociated recommendations. Mol. Syst. Biol. V. 8. № 1. P. 592. doi: 10.1038/msb.2012.26. 1
11. Salp Swarm Algorithm. URL: https://www.baeldung.com/cs/salp-swarm-algorithm (дата обращения 10.05.2025). 1
12. Yaqing Wang, Zaifei Yang, Quanming Yao. Accurate and interpretable drug-druginteraction prediction en abled by knowledge subgraph learning. Communications Medicine logo. Commun Med (Lond). 2024 Mar 28;4:59. doi: 10.1038/s43856-024-00486-y. 1
13. Xie J., Zhao C., Ouyang J., He H., Huang D., Liu M., Wang J., Zhang W. TP-DDI: A Two-Pathway Deep Neural Network for DrugDrug Interaction Prediction. Interdiscip Sci. 2022 Dec. V. 14(4). P. 895–905. doi: 10.1007/s12539-022-00524-Epub 2022 May 27. PMID: 35622314