Prédire les interactions médicamenteuses potentielles en intégrant des données chimiques, biologiques, phénotypiques et de réseau

CONTEXTE : Les interactions médicamenteuses (IM) sont l'une des principales préoccupations en matière de découverte de médicaments. La prédiction précise des IM potentielles peut aider à réduire les interactions inattendues tout au long du cycle de vie des médicaments et est importante pour la surveillance de la sécurité des médicaments. RÉSULTATS : Étant donné que de nombreuses IM ne sont pas détectées ou observées dans les essais cliniques, ce travail vise à prédire les IM non observées ou non détectées. Dans cet article, nous collectons une variété de données sur les médicaments qui peuvent influencer les interactions médicamenteuses, c'est-à-dire des données sur les sous-structures des médicaments, des données sur les cibles des médicaments, des données sur les enzymes des médicaments, des données sur les transporteurs des médicaments, des données sur les voies des médicaments, des données sur les indications des médicaments, des données sur les effets indésirables des médicaments, des données sur les effets indésirables hors ciblage et des interactions médicamenteuses connues. Nous adoptons trois méthodes représentatives : la méthode de recommandation par voisin, la méthode de marche aléatoire et la méthode de perturbation de matrice pour construire des modèles de prédiction basés sur différentes données. Ainsi, nous évaluons l'utilité de différentes sources d'information pour la prédiction des IM. De plus, nous présentons des cadres flexibles pour intégrer différents modèles avec des règles d'ensemble appropriées, y compris la règle d'ensemble de moyenne pondérée et la règle d'ensemble de classificateurs, et développons des modèles d'ensemble pour obtenir de meilleures performances. CONCLUSIONS : Les expériences démontrent que différentes sources de données fournissent des informations variées, et le réseau IM basé sur les IM connues est l'une des informations les plus importantes pour la prédiction des IM. Les méthodes d'ensemble peuvent produire de meilleures performances que les méthodes individuelles et surpasser les méthodes actuelles de pointe. Les ensembles de données et les codes sources sont disponibles sur https://github.com/zw9977129/drug-drug-interaction/.