KAIST (رئیس جمهور کوانگ هیونگ لی) در شانزدهم اعلام کرد که یک فناوری پیشرفته پیش بینی تداخل دارویی مبتنی بر هوش مصنوعی توسط تیم تحقیقاتی پروفسور برجسته سانگ یوپ لی در دپارتمان مهندسی بیوشیمی توسعه یافته است که تعامل بین اجزای PaxlovidTM را که به عنوان کووید مورد استفاده قرار می گیرند مورد تجزیه و تحلیل قرار داده است. -19 درمان و سایر داروهای تجویزی به صورت پایان نامه منتشر شد. این مقاله در نسخه آنلاین “مجموعه مقالات آکادمی ملی علوم آمریکا” (PNAS)، یک مجله دانشگاهی مشهور بین المللی، در 13 مارس منتشر شد.
در این مطالعه، تیم تحقیقاتی DeepDDI2، یک نسخه پیشرفته از DeepDDI، یک مدل پیشبینی تداخل دارویی مبتنی بر هوش مصنوعی را که در سال 2018 توسعه دادند، توسعه دادند. بیش از 86 نوع DDI تحت پوشش DeepDDI موجود.
تیم تحقیقاتی از DeepDDI2 برای پیش بینی تداخلات احتمالی بین مواد تشکیل دهنده (ریتوناویر، نیرماترولویر) Paxlovid، یک درمان COVID-19، و سایر داروهای تجویزی استفاده کرد. تیم تحقیقاتی گفت در حالی که در میان بیماران COVID-19، بیماران پرخطر مبتلا به بیماری های مزمن مانند فشار خون بالا و دیابت احتمالاً داروهای دیگری مصرف می کنند، تداخلات دارویی و واکنش های جانبی دارویی برای Paxlovid به اندازه کافی تجزیه و تحلیل نشده است. هنوز. این مطالعه با توجه به اینکه چگونه استفاده مداوم از دارو ممکن است منجر به عوارض جدی و ناخواسته شود، دنبال شد.
تیم تحقیقاتی از DeepDDI2 برای پیشبینی چگونگی تداخل اجزای Paxrovid، ریتوناویر و نیرماترولویر با 2248 داروی تجویزی استفاده کرد. در نتیجه پیشبینی، پیشبینی شد که ریتوناویر با 1403 داروی تجویزی و nirmatrelvir با 673 دارو تداخل داشته باشد.
با استفاده از نتایج پیشبینی، تیم تحقیقاتی داروهای جایگزین با مکانیسم مشابه اما پتانسیل تداخل دارویی کم را برای داروهای تجویزی با عوارض جانبی بالای دارویی (ADEs) پیشنهاد کردند. بر این اساس، 124 داروی جایگزین که می تواند DDI نامطلوب احتمالی با ریتوناویر را کاهش دهد و 239 داروی جایگزین برای nirmatrelvir شناسایی شد.
از طریق این دستاورد تحقیقاتی، امکان استفاده از یک فناوری یادگیری عمیق برای پیشبینی دقیق تداخلات دارو-دارو (DDI) فراهم شد و انتظار میرود که این امر با ارائه اطلاعات مفید در صنعت بهداشت دیجیتال، پزشکی دقیق و صنایع دارویی نقش مهمی ایفا کند. فرآیند تولید داروهای جدید و تهیه نسخه.
پروفسور برجسته سانگ یوپ لی گفت: «نتایج این مطالعه در مواقعی مانند زمانی که ما مجبور به استفاده از داروهایی که با عجله در شرایط اضطراری مانند همهگیری COVID-19 تولید میشوند، متوسل میشویم معنادار است. اکنون میتوان اقدامات لازم را در برابر واکنشهای نامطلوب دارویی ناشی از تداخلات دارو و دارو به سرعت شناسایی و انجام داد.”
این تحقیق با حمایت پروژه KAIST New-Deal برای علم و فناوری COVID-19 و پروژه توسعه فناوری زیست پزشکی با حمایت وزارت علوم و فناوری اطلاعات و ارتباطات انجام شد.