Die gleichzeitige Anwendung mehrerer Medikamente, auch als Polypharmazie bekannt, ist in der medizinischen Praxis häufig notwendig, birgt jedoch erhebliche Risiken durch Wechselwirkungen zwischen den Arzneimitteln. Solche Interaktionen können die therapeutische Wirkung verstärken, abschwächen oder zu schwerwiegenden Nebenwirkungen führen. Um diese Risiken zu minimieren, setzen Forschende zunehmend auf Modelle des maschinellen Lernens. Bisherige Ansätze zeigen jedoch oft deutliche Leistungseinbußen, wenn sie auf neue, unbekannte Medikamente angewendet werden, und erfordern häufig enorme Rechenkapazitäten. Ein Forschungsteam der Jeonbuk-Nationaluniversität (JBNU) in Südkorea unter der Leitung von Associate Professor Hilal Tayara hat mit DDINet ein neues, effizientes Modell entwickelt. Dieses System ist speziell darauf ausgelegt, Wechselwirkungen auch zwischen bisher nicht gesehenen Wirkstoffen präzise vorherzusagen. DDINet zeichnet sich durch eine schlanke Architektur mit fünf vollständigen Verbindungsschichten aus, die molekulare Fingerabdrücke der Medikamente als Eingabe nutzt. Im Gegensatz zu komplexeren grafischen Modellen benötigt DDINet deutlich weniger Rechenleistung, was den Einsatz in ressourcenbeschränkten Umgebungen ermöglicht. Das Modell kann gleichzeitig beurteilen, ob eine Interaktion zwischen zwei Substanzen vorliegt, und deren biologischen Effekt bestimmen. Es eignet sich sowohl für binäre Klassifizierungsaufgaben, die das Vorhandensein einer Wechselwirkung prüfen, als auch für Multi-Klassifizierungsaufgaben zur Bestimmung des genauen Wirkmechanismus. Um die Generalisierungsfähigkeit zu testen, trainierten und evaluierten die Forschenden DDINet mit einem großen Datensatz aus DrugBank unter strengen Bedingungen. Dabei wurden drei unterschiedliche Szenarien definiert: Erstens eine zufällige Aufteilung von Testdaten, zweitens der Fall, bei dem ein Medikament bekannt und das andere neu ist, sowie drittens der realistischste Fall, bei dem beide Wirkstoffe unbekannt waren. Bei der Auswahl der besten Eingabemethode schnitten Morgan-Fingerabdrücke am erfolgreichsten ab. Die Ergebnisse zeigten, dass DDINet insbesondere im schwierigsten Szenario mit zwei unbekannten Medikamenten stabil und überlegen gegenüber bestehenden Modellen agierte. Die Studie wurde im Fachjournal Knowledge-Based Systems veröffentlicht. Die Forscher betonen, dass die Kompaktheit und Effizienz des Systems die breite Implementierung in Krankenhäusern, in der Wirkstoffforschung sowie in Systemen zur Arzneimittelsicherheit (Pharmakovigilanz) ermöglicht. Durch die Fähigkeit, zuverlässig auf neue Medikamente zu reagieren, bietet DDINet das Potenzial, die Arzneimittelentwicklung zu beschleunigen und die Patientensicherheit bei komplexen Behandlungsregimen erheblich zu verbessern. Associate Professor Tayara fasst zusammen, dass diese Technologie ein wesentlicher Schritt hin zu sichereren therapeutischen Lösungen ist, die auf realen klinischen Anforderungen basieren, anstatt nur unter idealisierten Laborbedingungen zu funktionieren.