Metode umetne inteligence za polifarmacijo in predpisovanje zdravil

Podatkovno-bogata omrežja interakcij prežemajo medicinske raziskave. Glavni izziv je, kako izluščiti znanje iz teh omrežij, ki segajo od interakcij med molekulami v našem telesu vse do interakcij med pacienti v družbi. 

Predstavila bom metode umetne inteligence, ki se naučijo, kako vložiti vozlišča v omrežjih v nizko dimenzionalni prostor, pri čemer je geometrija tega prostora optimizirana, da odraža strukturo interakcij med vozlišči. Vložitve omrežij so tehnično jedro metode Decagon, prvega pristopa za napovedovanje neželenih stranskih učinkov kombinacij zdravil. Decagon najprej zgradi veliko omrežje, ki opisuje, kako proteini v naših telesih delujejo drug z drugim in kako različna zdravila vplivajo na te proteine. Decagon uporabi to omrežje za razpoznavanje vzorcev o neželenih stranskih učinkih, kar algoritmu omogoči, da avtomatično gradi napovedi o kombinacijah zdravil, ki so varne za paciente. Omenila bom tudi, kako napovedi umetne inteligence ovrednotimo v praksi, pri čemer sodelujemo s Stanford School of Medicine, Harvard Medical School in Massachusetts General Hospital.