İlaç-ilaç etkileşimlerini makine öğrenmesiyle tespit eden tahmin modeli

Abstract

İlaç-ilaç etkileşimleri birden fazla ilaç kullanan insanlarda görülen ve insanların kullandığı ilaçların etkileşimde bulunarak birbirlerinin etkisini olumlu veya olumsuz yönde etkilemesi durumudur. Bu görülen etkiler genellikle bir ilacın diğer ilaç etkisini artırması, diğer ilaç etkisini azaltması veya diğer ilacın etki ediş biçimini değiştirmesi şeklinde olabilmektedir. Bu durum birden fazla ilaç kullanan insanların sağlığında iyileşme yerine daha kötüye giden bir seyre neden olmakta, hatta ölümle bile sonuçlanabilen istenmeyen etkilerin oluşmasına sebebiyet vermektedir. Bu hem insan sağlığı açısından hem de hastanelerde oluşan ekstra sağlık masrafları açısından büyük maliyetlere neden olabilmektedir. İlaçların birbirleriyle olan etkileşimlerinin bir kısmı tespit edilmiştir. Ancak henüz test edilmemiş ve tespit edilememiş olan bir çok etkileşim bulunmaktadır. İlaç-ilaç etkileşimleri laboratuvar ortamlarında bilimsel yöntemlerle test edilerek bulunabilmektedir. Bu yöntemler hem zaman ve hem de iş gücü açısından çok fazla maliyete yol açabilmektedir. Bu bilimsel yöntemlere başlamadan önce etkileşmesi muhtemel olan ilaçların bilinmesi hem zaman, hem iş gücü hem de maliyet açısından büyük tasarruflar sağlayacaktır. Bu tezde bilinmeyen ilaç-ilaç etkileşimlerinin tespit edilebilmesi için çeşitli yapay zeka ve makine öğrenmesi algoritmaları kullanılacaktır. Etkileşim tipi ve etkileşimin ciddiyeti yönünden bir tahmin modelinin daha önceden hiç yapılmadığı tespit edilmiştir. Ayrıca etkileşimleri bulmaya yönelik böyle bir çalışma ülkemizde ilk defa yapılmaktadır. Bunu gerçekleştirmek için çeşitli veri girdilerini ve lojistik regresyon, derin sinir ağları, karar ağaçları gibi yöntemleri deneyerek en verimli modeli belirlemeye çalıştık. İlaçların molekül yapı bilgileri, sınıflandırma kodları, hedef bilgileri ve enzim bilgilerini çeşitli dönüşümler uygulayarak birbirinden farklı algoritmalar üzerinde denemeler yaparak en verimli yöntemi bulmaya çalıştık. Bu çalışmanın çıktısı birden fazla ilaç kullanmanın gerektiği durumlarda hem ilacı veren hekimi hem hem de ilacı kullanan kişiyi uyarmak için kullanılabilir. Böylece istenmeyen ilaç reaksiyonlarının önüne geçilebilecektir. Yeni bir ilaç keşif aşamasında yine bu yöntemler kullanılarak mevcut hangi ilaçlar ile etkileşme olasılığının olduğu tahmin edilebilecektir. Yaptığımız çalışma sırasında çeşitli dönüşümler ile ilaçların moleküler yapısını, hedeflerini sınıflandırma kodlarını ve enzim etkilerini girdi olarak kullandık. Tahmin modelini oluşturmak için çeşitli algoritmaları denedik ve en iyi başarım oranıyla derin sinir ağlarının diğer yöntemlerden daha iyi bir sonuç verdiğini gördük. Bu yöntemin kullanılması hem istenmeyen etkilerin ortaya çıkmasını engellemek açısından hem de ekstra maliyetlerin önüne geçmek açısından fayda sağlayacaktır.Drug-drug interactions are seen in people who use more than one drug, and when the drugs used by people interact and affect each other positively or negatively. These effects can usually be in the form of a drug increasing the effect of another drug, reducing the effect of another drug, or changing the way the other drug works. This situation causes a worsening rather than improvement in the health of people who use more than one drug, and even causes undesirable effects that can result in death. This can cause great costs both in terms of human health and in terms of extra health costs in hospitals. Some of the drug-drug interactions have been detected. However, there are many interactions that have not yet been tested and detected. Drug-drug interactions can be found in laboratory environments by testing them with scientific methods. These methods can be very costly in terms of both time and labor. Knowing the drugs that are likely to interact before starting these scientific methods will provide great savings in terms of time, labor and cost. In this thesis, various artificial intelligence and machine learning algorithms will be used to detect unknown drug-drug interactions. It has been determined that a prediction model has never been made before in terms of the interaction type and the severity of the interaction. In addition, such a study to find interactions is carried out for the first time in our country. To achieve this, we tried to determine the most efficient model by testing various data inputs and methods such as logistic regression, deep neural networks, and decision trees. We tried to find the most efficient method by trying different algorithms with various transformations on the molecular structure information, classification codes, target information and enzyme information of drugs. The output of this study can be used to warn both the prescriber and the person using the drug in cases where more than one drug is required. Thus, unwanted drug reactions can be prevented. In a new drug discovery phase, it will be possible to predict which drugs are likely to interact with existing drugs by using these methods. During our study, we used the molecular structure of drugs, their targets, classification codes and enzyme effects as inputs with various transformations. We tried various algorithms to build the prediction model and found that with the best performance, deep neural networks outperform other methods. The use of this method will be beneficial both in terms of preventing the emergence of undesirable effects and in terms of preventing extra costs.