تشهد مجال الأدوية قفزات نوعية بفضل تطبيقات الذكاء الاصطناعي، وفي دراسة جديدة، تم تسليط الضوء على كيفية تحسين توقع تفاعلات الأدوية باستخدام نموذج الشبكات العصبية الرسومية (Graph Neural Networks). تعتمد هذه النماذج على هياكل جزيئية مُشفَّرة كرسومات مستمدة من صيغة SMILES، لكن الأبحاث السابقة أظهرت أن أداء النماذج مقيد بمعلومات الهيكلية المتاحة في بيانات التدريب، مما يخلق ما يعرف بـ "سقف المعلومات".

تتركز هذه الدراسة على استكشاف ما إذا كانت المعرفة الصيدلانية المستمدة من قاعدة بيانات PharmGKB يمكن أن تسهم في إغلاق هذا السقف جزئيًا من خلال توفير سياق مسارات الأيض، وهو سياق مستقل ومكمل للهيكل الجزيئي. تم استخراج بيانات إنزيمات Cytochrome P450 (CYP)، والتي تشمل ملاحظات حول المكونات والمانعات والمحرضات لأربعة أنماط سريرية مهمة (مثل CYP2D6 وCYP3A4) وإضافتها كمتجه ميزات بعدد 12 بُعدًا يتصل بالتمثيل الجزيئي قبل عملية توقع التفاعل.

تم إجراء تجارب باستخدام تقسيمات بيانات على مستوى الزوج وعلى مستوى الدواء لتقييم تعميم النموذج على الأدوية غير المعروفة. النتائج أوضحت أن تحسين شبكة المعرفة (Knowledge Graph) يعزز بشكل ملحوظ تصنيف نوع تفاعل الأدوية تحت ظروف تقسيم الزوج (F1-macro: 0.532 مقارنةً بـ 0.241 في الأساس)، بينما لا يزال الكشف عن التفاعل الثنائي وتعميم مستوى الدواء مقيدين بسقف المعلومات (زيادة في AUC: 0.224 مقابل 0.250 في الأساس).

كما أكدت التحقق الميكانيكي على المركبات المحجوزة أن التحسين يُفضل تحسين توقعات التفاعل المتعمدة بتنشيط CYP2C9، حيث زادت احتمالات التفاعل من 0.033-0.117 (الأساس) إلى 0.560-0.586 (معزز بشبكة المعرفة). وتمتد هذه النتائج لاحقًا إلى توقع سمية الجزيئات المفردة على معيار Tox21، مما يؤكد أن التأثير يعتمد على تغطية التعليقات الصيدلانية.

تعد هذه النتائج دافعًا قويًا لتطوير إطار العمل المتعدد النماذج المقترح في الدراسة القادمة في هذه السلسلة!