Solo il mese scorso, Il 23 percento degli americani ha preso due o più farmaci da prescrizione, secondo una stima del CDC, e il 39% sopra i 65 anni ne prende cinque o più, un numero che è triplicato negli ultimi decenni. E se questo non è abbastanza sorprendente, prova questo:in molti casi, i medici non hanno idea degli effetti collaterali che potrebbero derivare dall'aggiunta di un altro farmaco alla farmacia personale di un paziente.

Il problema è che con così tanti farmaci attualmente sul mercato farmaceutico statunitense, "è praticamente impossibile testare un nuovo farmaco in combinazione con tutti gli altri farmaci, perché solo per un farmaco sarebbero cinquemila nuovi esperimenti, " ha detto Marinka Zitnik, un borsista post-dottorato in informatica. Con alcune nuove combinazioni di farmaci, lei disse, "veramente non sappiamo cosa accadrà."

Ma l'informatica potrebbe essere d'aiuto. In un articolo presentato il 10 luglio al meeting 2018 della International Society for Computational Biology a Chicago. Zitnik e i colleghi Monica Agrawal, uno studente di master, e Jure Leskovec, professore associato di informatica, predisporre un sistema di intelligenza artificiale per prevedere, non solo monitoraggio, potenziali effetti collaterali da combinazioni di farmaci. Quel sistema, chiamato Decagono, potrebbe aiutare i medici a prendere decisioni migliori su quali farmaci descrivere e aiutare i ricercatori a trovare migliori combinazioni di farmaci per trattare malattie complesse.

Troppe combinazioni

Una volta a disposizione dei medici in una forma più user-friendly, Le previsioni di Decagon sarebbero un miglioramento rispetto a ciò che è disponibile ora, che essenzialmente si riduce al caso:un paziente prende un farmaco, inizia a prenderne un altro e poi sviluppa mal di testa o peggio. Ci sono circa 1000 diversi effetti collaterali noti e 5, 000 farmaci sul mercato, creando quasi 125 miliardi di possibili effetti collaterali tra tutte le possibili coppie di farmaci. La maggior parte di questi non sono mai stati prescritti insieme, figuriamoci studiati sistematicamente.

Ma, Zitnik, Agrawal e Leskovec si sono resi conto che potevano aggirare questo problema studiando come i farmaci influenzano il meccanismo cellulare sottostante nel nostro corpo. Hanno composto una vasta rete che descrive come gli oltre 19, 000 proteine ​​nel nostro corpo interagiscono tra loro e come i diversi farmaci influenzano queste proteine. Utilizzando più di 4 milioni di associazioni note tra farmaci ed effetti collaterali, il team ha quindi progettato un metodo per identificare i modelli di come si manifestano gli effetti collaterali in base al modo in cui i farmaci prendono di mira diverse proteine.

Fare quello, il team si è rivolto al deep learning, una sorta di intelligenza artificiale modellata sul cervello. In sostanza, il deep learning esamina dati complessi ed estrae da essi astratti, a volte schemi controintuitivi nei dati. In questo caso, i ricercatori hanno progettato il loro sistema per dedurre modelli sugli effetti collaterali dell'interazione farmacologica e prevedere conseguenze inedite derivanti dall'assunzione di due farmaci insieme.

Predire le complicazioni

Solo perché Decagon ha trovato uno schema non lo rende necessariamente reale, quindi il gruppo ha cercato di vedere se le sue previsioni si sono avverate, e in molti casi, loro fecero. Per esempio, non c'era alcuna indicazione nei dati del team che la combinazione di atorvastatina, un farmaco per il colesterolo, e amlopidina, un farmaco per la pressione sanguigna, potrebbe portare a infiammazione muscolare, eppure Decagon predisse che sarebbe stato ed era giusto. Sebbene non appaia nei dati originali, un caso clinico del 2017 suggeriva che la combinazione di farmaci aveva portato a un pericoloso tipo di infiammazione muscolare.

Quell'esempio è nato anche in altri casi. Quando hanno cercato nella letteratura medica le prove di dieci effetti collaterali previsti da Decagon ma non nei loro dati originali, il team ha scoperto che cinque su dieci sono stati recentemente confermati, dando ulteriore credito alle previsioni di Decagon.

"È stato sorprendente che le reti di interazione proteica rivelassero così tanto sugli effetti collaterali dei farmaci, " disse Leskovec, chi è un membro di Stanford Bio-X, Stanford Neurosciences Institute e Chan Zuckerberg Biohub.

Proprio adesso, Decagon considera solo gli effetti collaterali associati a coppie di farmaci, e in futuro il team spera di estendere i propri risultati per includere regimi più complessi, disse Leskovec. Sperano anche di creare uno strumento più user-friendly per fornire indicazioni ai medici sull'opportunità di prescrivere un particolare farmaco a un particolare paziente e per aiutare i ricercatori a sviluppare regimi farmacologici per malattie complesse con meno effetti collaterali.

"Oggi, gli effetti collaterali dei farmaci vengono scoperti essenzialmente per caso, "Leskovec ha detto, "e il nostro approccio ha il potenziale per portare a un'assistenza sanitaria più efficace e più sicura".