Des chercheurs de l'Université nationale de Jeonbuk en Corée du Sud, dirigés par le professeur Hilal Tayara, ont développé DDINet, un nouveau modèle d'apprentissage profond conçu pour prédire de manière précise et évolutive les interactions entre médicaments. Cette avancée vise à résoudre un problème critique de la polythérapie, où l'utilisation simultanée de plusieurs médicaments augmente considérablement les risques d'interactions indésirables, pouvant entraîner des effets thérapeutiques réduits, des réactions graves ou même mettre la vie en danger. Contrairement à de nombreux modèles existants qui perdent en performance face à des médicaments jamais vus, DDINet se distingue par son architecture allégée et sa capacité à généraliser efficacement. La plupart des méthodes actuelles échouent car elles sont entraînées dans des conditions idéalisées où les données d'entraînement et de test sont mélangées aléatoirement, ne reflétant pas la réalité clinique. De plus, les approches complexes basées sur des graphes nécessitent souvent des ressources informatiques massives, limitant leur utilisation pratique. DDINet surmonte ces obstacles en utilisant une structure simple composée de cinq couches entièrement connectées qui traitent les empreintes moléculaires des médicaments comme données d'entrée. Le modèle est capable de réaliser deux types de tâches simultanément : la classification binaire pour déterminer si une interaction existe, et la classification multi-classe pour identifier l'effet biologique ou le mécanisme spécifique de cette interaction. Pour valider son efficacité, l'équipe de recherche a utilisé un vaste jeu de données provenant de DrugBank et testé cinq techniques différentes de fingerprints moléculaires. Ils ont adopté un protocole de séparation des données rigoureux pour simuler des scénarios cliniques réels. Trois scénarios d'évaluation ont été mis en place : le premier impliquait une séparation aléatoire des paires de médicaments, le second testait les interactions entre un médicament connu et un médicament inconnu, et le troisième, le plus difficile, évaluait les interactions entre deux médicaments totalement inconnus du système. Les résultats ont montré que l'utilisation des empreintes moléculaires Morgan offrait les meilleures performances. Le modèle a maintenu une stabilité remarquable sur tous les scénarios, surpassant les modèles existants, notamment dans le scénario le plus complexe où les deux médicaments étaient inconnus. Cette capacité à prédire les interactions pour de nouveaux médicaments sans compromettre la précision ouvre la voie à un déploiement à grande échelle. Selon le professeur Tayara, l'architecture compacte et efficace de DDINet permet son intégration directe dans les systèmes hospitaliers, les pipelines de découverte de médicaments et les systèmes de pharmacovigilance. L'objectif final de cette technologie est d'accélérer le développement de nouveaux traitements tout en améliorant significativement la sécurité des patients qui dépendent de multiples médicaments. La publication de ces travaux dans la revue Knowledge-Based Systems marque une étape importante vers des outils d'intelligence artificielle plus accessibles et plus fiables pour la médecine moderne.