8206

بررسي انواع روش‌هاي داده‌كاوي در پيش‌بيني اثرات جانبي دارو‌ها

1399

دكتر حسين رحماني

دارو‌ها به هدف درمان بيماري ساخته ‌مي‌شوند، با اين حال بيشتر آن‌ها هنگام درمان بيماري ممكن است اثرات منفي تحت عنوان عوارض جانبي داشته‌ باشند. تشخيص اثرات جانبي دارو‌ها همواره فرآيندي زمان‌بر و پر‌هزينه‌ بوده‌است. به طور مثال برآورد مي‌شود كه فرايند توليد دارو، از شناسايي هدف تا استفاده باليني، مي‌تواند تا 14 سال و هزينه 800 ميليون دلار طول بكشد. رويكرد‌هاي متعارف براي پيش‌بيني اثرات جانبي در طي فرايند توليد دارو سنجش‌هاي آزمايشگاهي و حيواني است. با اين حال امكان تشخيص تمام عوارض جانبي در محيط آزمايشگاهي وجود ندارد و اين اثرات جانبي كشف نشده مي‌توانند ضرر‌هاي بسياري براي بيمار و همچنين شركت توليد‌كننده‌ي دارو داشته‌باشند. به‌طور مثال در آمريكا تخمين زده مي‌شود كه عوارض جانبي چهارمين عامل اصلي مرگ‌و‌مير باشند و همچنين عامل يك سوم از عدم موفقيت دارو‌ها در طي فرايند توليد، اثرات جانبي دارو شناخته شده‌است. با توجه به نكات گفته‌شده كارامد‌تر است كه در آغاز فرآيند‌ توليد دارو، با بيشترين دقت ممكن اثرات جانبي آن محاسبه و سنجيده شود. در نتيجه مطالعه در رابطه با اثرات جانبي دارو‌ها و پيش‌بيني آن‌ها از اهميت بالايي برخور‌دار است. در سال‌هاي اخير، روش‌هاي محاسباتي بسياري براي پيش‌بيني عوارض جانبي دارو ايجاد شده ‌است. اين روش‌ها مي‌توانند دامنه اثرات جانبي دارو را كاهش دهند. روش‌هاي محاسباتي موجود براي پيش‌بيني عوارض جانبي دارو‌ها، فرض مي‌كنند كه دارو‌هاي مشابه از نظر خصوصيات شيميايي و بيولوژيكي مانند ساختار‌ها و اهداف آن‌ها داراي خواص قابل مقايسه‌‌اند. چندين روش مبتني بر داده‌كاوي و يادگيري ماشين براي پيش‌بيني عوارض جانبي دارو‌ها بر اساس ويژگي‌هاي مختلف از جمله ساختار‌هاي شيميايي دارو‌ها، اثر متقابل دارو–پروتئين، اثر متقابل پروتئين-پروتئين، فعاليت در شبكه‌هاي متابوليكي ، مسير‌ها، اطلاعات فنوتيپي و تفسير ژن ارائه شده‌است. در اين سمينار به بررسي تعدادي از اين روش‌ها مي‌پردازيم.

12/30/2020 12:00:00 AM

70457

1399/10/30

عوارض جانبي , داده‌كاوي , يادگيري ماشين , پيش‌بيني اثرات جانبي

Data mining , machine learning , ADR , side effect prediction