Deepside: Predicting drug side effects with deep learning

Klinik denemelerde ortaya çıkan ve öngörülemeyen yan etkilerden kaynaklanan ilaç başarısızlıkları, katılımcılar için ciddi sağlık riskleri oluşturur ve önemli finansal kayıplara neden olmaktadır. Öte yandan yan etki tahmin algoritmaların ilaç tasarım sürecini yönlendirme potensiyeli vardır. LINCS L1000 veri kümesi, farklı hüçre hatlarında farkı zamana noklarında bir çok ilacın farklı dozda uygulandığı, geniş bir gen ifade veri seti içermektedir. Literatürdeki en güncel yaklaşım, sadece LINCS L1000'deki yüksek kaliteli deneylere dayanmakta ve farklı deneylerin büyük bir kısmını model dışında bırakmaktadır. Bu çalışmada, derin öğrenme temelli bir yaklaşımla geriye kalan kayıtlı deneylere ait verilerden daha fazla bilginin elde edilip edilemeyeceğini araştırmaktayız. (i) LINCS L1000 projesinden gen ifade verilerini, (ii) ilaçların kimyasal yapı parmak izlerini, (iii) SMILES ilaç yapısının dizi gösterimini ve (iv) ilaçların atom çözünürlüğündeki moleküler yapılarını kullanan 6 farklı derin öğrenme mimarisi ile deneyler yapmaktayız. Ilaç moleküler yapısı, kimyasal yapıları ve gen ifade özelliklerini kullanan çok katmanlı algılayıcı (MLP) tabanlı model, %88'lik mikro-AUC ve %79'luk makro-AUC'ye ulaşabilmekte ve bu sayede daha yüksek yan etki tahmini imkanı sunmaktadır. Her ne kadar farklı derin öğrenme modelleri ile güçlü gösterimler çıkarılmış olsa da, kimyasal yapının gen ifade profillerinden daha iyi bir tahmin güçlü olduğunu da gözlemlemekteyiz. Son olarak, sadece ilaçların SMILES dizilerini kullanan evrişimli sinir ağı tabanlı model, hem gen ifadesi hem de kimyasal yapı özelliklerini aynı anda kullanan modellerden daha iyi bir performans sunmaktadır.