Nueva York acoge todos los años uno de los mayores eventos de Inteligencia Artificial, el AAAI organizado por el laboratorio MIT-IBM Watson. Este año se ha presentado una herramienta que pretende evitar los casos de reacción adversa a medicamentos, porque cada vez tomamos más medicamentos.

Los medicamentos interactúan con nuestros cuerpos, pero también interactúan entre sí, por lo que múltiples recetas simultáneas aumentan la complejidad y por lo tanto el riesgo, sobre todo si esas recetas están mal coordinadas. Este problema puede causar la mortalidad de algunas personas o incluso que la enfermedad vaya a peor, dando como resultado mayores costes en el sector sanitario.  Por lo tanto, obtener un conocimiento preciso y completo de DDI, especialmente durante el proceso de diseño de fármacos, es importante tanto para los pacientes como para la industria farmacéutica.

Para hacer frente a esto, el MIT-IBM Wastson AI ha creado una nueva herramienta de IA que puede predecir con mayor precisión interacciones adversas potencialmente dañinas e inseguras para medicamentos en el mercado y en la fase de desarrollo temprano. CASTER es un marco de aprendizaje en el que se han incorporado todo tipo de conocimientos farmacológicos para que se especialice en la predicción de DDI inspirada en el mecanismo químico de las interacciones farmacológicas. Esta herramienta destaca principalmente porque desarrolla una representación del fármaco que predice la probabilidad de reacciones adversas entre fármacos basadas en sus frecuentes subestructuras químicas.

¿Cómo funciona Caster?

Tiene tres pasos principales:

• Un algoritmo químico de minería secuencial extrae subestructuras frecuentes de una base de datos molecular.
• Un módulo de incrustación de características latentes representa los pares de drogas en términos de las subestructuras frecuentes extraídas, luego genera una representación utilizando el aprendizaje que ha obtenido de los diccionarios de farmacología.
• Un módulo de predicción aprende para realizar mediciones sobre la relevancia de cada subestructura para el resultado de DDI – esto se logra proyectando más representación incrustada del par de fármacos en el subespacio definido por la inserción de esas subestructuras frecuentes.

Esta herramienta también podrá utilizarse para medir como interactúan los fármacos con los alimentos, ya que estos también tienen la misma forma de descripción química.