FUENTE: Diario Farma

MIT-IBM Watson, Harvard School of Public Health, Georgia Institute of Technology e IQVIA presentaron en 34ª reunión de la Association for the Advancement of Artificial Intelligence una investigación sobre una nueva herramienta que ayudaría a predecir de forma más precisa potenciales interacciones entre medicamentos con potenciales efectos adversos.

La han bautizado con el nombre de Caster, que corresponde a las siglas en inglés de Representación de la Subestructura Química, y viene a ser, explican sus creadores, un marco de aprendizaje que permite la predicción de interacciones.

Para ello, se basa en tres patas: un algoritmo químico que extrae las subestructuras más frecuentes de una base de datos moleculares (concluyen que la gran mayoría de las interacciones están relacionadas con unas pocas subestructuras, siendo el resto irrelevantes); un módulo que incluye pares de fármacos, atendiendo si cuentan con estas subestructuras más frecuentes, y un módulo de predicción que, mediante un conjunto de coeficientes, es capaz de medir la relevancia de cada subestructura en la aparición de una interacción.

Para evaluar la utilidad de la herramienta, la han aplicado en dos bases de datos públicas de medicamentos: DrugBank y Biosnap, y los resultados de estos estudios experimentales mostrarían que este método "puede aprovechar datos no incluidos en el etiquetado para mejorar el rendimiento de la predicción y, en consecuencia, logra una mayor precisión en la anticipación de interacciones que los métodos existentes".

Incluyen en el informe realizado un estudio de caso para evaluar la posible interacción entre sildenafilo y fármacos a base de nitrato. El primero, un un inhibidor de la fosfodiesterasa-5 (PDE5), que están asociados a caídas de la presión arterial cuando se mezclan con medicamentos basados ​​en nitrato, como el mononitrato de isosorbida (IM). Al parecer, la herramienta supo detectar esta posible interacción, sobre la base de los coeficientes asignados al grupo de nitrato.

Por todo lo dicho, consideran que han sido capaces de demostrar empíricamente "que el método desarrollado es capaz de proporcionar predicciones de interacciones más precisas e interpretables que los enfoques anteriores, que usan representaciones genéricas de medicamentos".