An AI‐based Prediction Model for Drug‐drug Interactions in Osteoporosis and Paget's Diseases from SMILES
Notice bibliographique
Résumé
The skeleton is one of the most important organs in the human body in assisting our motion and activities; however, bone density attenuates gradually as we age. Among common bone diseases are osteoporosis and Paget's, two of the most frequently found diseases in the elderly. Nowadays, a combination of multiple drugs is the optimal therapy to decelerate osteoporosis and Paget's pathologic process, which comes with various underlying adverse effects due to drug-drug interactions (DDIs). Artificial intelligence (AI) has the potential to evaluate the interaction, pharmacodynamics, and possible side effects between drugs. In this research, we created an AI-based machine-learning model to predict the outcomes of interactions between drugs used for osteoporosis and Paget's treatment, which helps mitigate the cost and time to implement the best combination of medications in clinical practice. In this study, a DDI dataset was collected from the DrugBank database within the osteoporosis and Paget diseases. We then extracted a variety of chemical features from the simplified molecular-input line-entry system (SMILES) of defined drug pairs that interact with each other. Finally, machine-learning algorithms were implemented to learn the extracted features. Our stack ensemble model from Random Forest and XGBoost reached an average accuracy of 74 % in predicting DDIs. It was superior to individual models as well as previous methods in terms of most measurement metrics. This study showed the potential of AI models in predicting DDIs of Osteoporosis-Paget's disease in particular, and other diseases in general.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».