في عالم الطب الحديث، يعتبر فهم كيفية تفاعل الأدوية مع بعضها البعض أمرًا بالغ الأهمية لضمان سلامة المرضى وفعالية العلاجات. لكن ما الفرق بين اكتشاف تفاعل الأدوية (التصنيف الثنائي) وتوقع نوع الآلية وراء هذا التفاعل (تصنيف متعدد الفئات)؟ هذه الدراسة تقدم إجابة شاملة.

تتمحور الدراسة حول اختبار ثلاثة هياكل لشبكات الأعصاب الرسومية (Graph Neural Networks - GNN) بهدف توقع تفاعلات الأدوية، مستندة إلى مجموعة بيانات تحتوي على 38,337 زوجًا إيجابيًا موزعة بين 86 نوعًا من التفاعلات. تم إجراء المقارنة تحت ظروف تدريب متساوية (61,339 زوجًا) بين هيكلين رئيسيين: هيكل "Siamese" التقليدي مع دمج القيم (Concat)، وهيكل "Cross-Attention" المزدوج مع الانتباه المتبادل، بالإضافة إلى هيكل "Ternary" الذي يشمل رسمًا بيانيًا للتفاعل.

أثبت الهيكل الذي يستخدم الانتباه المتبادل (CrossAtt) أنه الأكثر فعالية، حيث حقق زيادة بنسبة +0.186 في معيار F1-macro، وهذا يعادل تحسنًا بنسبة 45% مقارنةً بـ Concat. بينما حقق تحسنًا طفيفًا جدًا بلغ +0.012 في الدقة الثنائية (AUC). هذا يبرز قدرة التواصل على مستوى الذرة بين الجزيئات، مما يجعل من الممكن تصنيف آليات التفاعل بدقة.

وعلى الرغم من المزايا التي قدمها الهيكل CrossAtt، أظهر الهيكل ternary أداءً أقل، مما يشير إلى وجود حالة عدم استقرار أثناء التدريب. من خلال تجربة التحقق بواسطة عشرة أزواج من الأدوية المحتوية على حمض الأسيتيل ساليسيليك (ASA)، تمكن CrossAtt من التنبؤ بنجاح بنوع التفاعل الدوائي في جميع الحالات، بينما فشل الهيكل Ternary.

تم الكشف أيضًا عن حالتين من الفشل المتكرر عبر جميع الهياكل، مما يشير إلى قيود هيكلية مرتبطة بالدراسات السابقة حول السمية. هذه النتائج تسلط الضوء على أهمية اختيار الهياكل المناسبة لتحل الألغاز المعقدة لتفاعلات الأدوية.

في ختام هذه الدراسة، يتضح أن استخدام تقنيات الشبكات العصبية الرسومية مع الانتباه المتبادل يمثل تحولًا جذريًا في طريقة فهمنا لتفاعلات الأدوية. ما هو رأيكم في هذه الابتكارات؟ هل تعتقدون أن لها تأثيرًا كبيرًا على مستقبل الطب؟ شاركونا في التعليقات!