Modélisation des effets secondaires de la polypharmacie avec des réseaux de neurones convolutifs sur graphe

L'utilisation de combinaisons de médicaments, appelée polymédication, est courante pour traiter les patients atteints de maladies complexes et présentant des affections concomitantes. Cependant, une conséquence majeure de la polymédication est un risque beaucoup plus élevé d'effets secondaires indésirables pour le patient. Les effets secondaires de la polymédication apparaissent en raison des interactions médicament-médicament, où l'activité d'un médicament peut changer si pris avec un autre médicament. La connaissance des interactions médicamenteuses est limitée car ces relations complexes sont rares et ne sont généralement pas observées dans les essais cliniques relativement petits. Découvrir les effets secondaires de la polymédication reste donc un défi important avec des implications significatives pour la mortalité des patients.Dans cet article, nous présentons Decagon, une approche pour modéliser les effets secondaires de la polymédication. Cette approche construit un graphe multimodal comprenant les interactions protéine-protéine, les interactions cible protéique-médicament et les effets secondaires de la polymédication, qui sont représentés comme des interactions médicament-médicament, chaque effet secondaire étant une arête d'un type différent. Decagon a été développé spécifiquement pour gérer ce type de graphes multimodaux avec un grand nombre de types d'arêtes. Notre approche met au point un nouveau réseau neuronal convolutif sur graphe (Graph Convolutional Neural Network) pour la prédiction de liens multirelationnels dans les réseaux multimodaux.Decagon prédit l'effet secondaire exact, s'il y en a un, par lequel une combinaison donnée de médicaments se manifeste cliniquement. Decagon prédit avec précision les effets secondaires de la polymédication, surpassant les méthodes de base jusqu'à 69 %. Nous constatons qu'il apprend automatiquement des représentations des effets secondaires indicatifs du chevauchement de la polymédication chez les patients. De plus, Decagon modélise particulièrement bien les effets secondaires ayant une base moléculaire forte, tandis que pour les effets secondaires principalement non moléculaires, il obtient d'excellents résultats grâce à un partage efficace des paramètres du modèle entre les différents types d'arêtes.Decagon ouvre ainsi des perspectives pour utiliser de grandes bases de données pharmacogénomiques et patientes afin d'identifier et prioriser les effets secondaires nécessitant une analyse complémentaire.