Перспективы использования искусственного интеллекта в фармакогенетических исследованиях: литературный обзор

На сегодняшний день задачей фармакогенетики является изучение корреляции между генетическими особенностями пациента и эффективностью лекарственных средств с одновременной оценкой рисков развития побочных реакций. Проведение фармакогенетических исследований требует применения сложных методик статистической обработки результатов, и всё чаще для подобного рода анализа применяются возможности искусственного интеллекта (ИИ). Искусственный интеллект – это современная технология, которая применяется с целью автоматизации выполнения задач, обычно требующих больших трудозатрат с использованием человеческого разума. Проведённый обзор научных исследований, посвящённых применению моделей машинного обучения в фармакогенетических исследованиях, показал, что искусственный интеллект представляет собой высокотехнологичный гибкий инструмент, способный обеспечить широкую имплементацию фармакогенетики в практическое здравоохранение. Перспективным направлением применения ИИ в фармакогенетике является внедрение технологии в выполнение задач по анализу, обнаружению, прогнозированию и поддержке фармакогенетической информации и систем принятия решений. Применение технологий глубокого обучения позволит расширить представление о фармакодинамике лекарственных средств, показаниях, противопоказаниях в назначении, что, возможно, приведёт к обновлению учебно-методической литературы по фармакологии и существенно продвинет качество фармакотерапии у пациентов. В то же время внедрение технологий ИИ может быть затруднительным ввиду некоторых факторов, таких как недостаток квалифицированных кадров, этические разногласия, сложности правового регулирования области. Несмотря на существующие проблемы, применение технологий ИИ в фармакогенетических исследованиях является высокоэффективным и целесообразным.

1. Jordan MI, Mitchell TM. Machine learning: Trends, perspectives, and prospects. Science. 2015; 349(6245): 255-260. doi: 10.1126/science.aaa8415

2. Cilluffo G, Fasola S, Ferrante G, Malizia V, Montalbano L, La Grutta S. Machine learning: An overview and applications in pharmacogenetics. Genes (Basel). 2021; 12(10): 1511. doi: 10.3390/genes12101511

3. Kompa B, Hakim JB, Palepu A, Kompa KG, Smith M, Bain PA, et al. Artificial intelligence based on machine learning in pharmacovigilance: A scoping review. Drug Saf. 2022; 45(5): 477-491. doi: 10.1007/s40264-022-01176-1

4. Jiménez-Luna J, Grisoni F, Weskamp N, Schneider G. Artificial intelligence in drug discovery: Recent advances and future perspectives. Expert Opin Drug Discov. 2021; 16(9): 949-959. doi: 10.1080/17460441.2021.1909567

5. Kolluri S, Lin J, Liu R, Zhang Y, Zhang W. Machine learning and artificial intelligence in pharmaceutical research and development: A review. AAPS J. 2022; 24(1): 19. doi: 10.1208/s12248-021-00644-3

6. Krishnaveni C, Arvapalli S, Sharma JV. Artificial intelligence in pharma industry – A review. Int J Innov Pharmaceut Sci Res. 2019; 7(10): 37-50. doi: 10.21276/IJIPSR.2019.07.10.506

7. Garcia-Agundez A, García-Martín E, Eickhoff C. The potential of machine learning in pharmacogenetics, pharmacogenomics and pharmacoepidemiology. Front Pharmacol. 2022; 13: 928527. doi: 10.3389/fphar.2022.928527

8. Zhang L, Tan J, Han D, Zhu H. From machine learning to deep learning: Progress in machine intelligence for rational drug discovery. Drug Discov Today. 2017; 22(11): 1680-1685. doi: 10.1016/j.drudis.2017.08.010

9. Patel V, Shah M. Artificial intelligence and machine learning in drug discovery and development. Intell Med. 2022; 2(3): 134-140. doi: 10.1016/j.imed.2021.10.001

10. Paul D, Sanap G, Shenoy S, Kalyane D, Kalia K, Tekade RK. Artificial intelligence in drug discovery and development. Drug Discov Today. 2021; 26(1): 80-93. doi: 10.1016/j.drudis.2020.10.010

11. Silva P, Jacobs D, Kriak J, Abu-Baker A, Udeani G, Neal G, et al. Implementation of pharmacogenomics and artificial intelligence tools for chronic disease management in primary care setting. J Pers Med. 2021; 11(6): 443. doi: 10.3390/jpm11060443

12. van der Lee M, Swen JJ. Artificial intelligence in pharmacology research and practice. Clin Transl Sci. 2023; 16(1): 31-36. doi: 10.1111/cts.13431

13. Henstock P. Artificial intelligence in pharma: Positive trends but more investment needed to drive a transformation. Arch Pharmacol Therapeutics. 2021; 2(2): 24-28. doi: 10.33696/Pharmacol.2.017

14. Beunk L, Nijenhuis M, Soree B, de Boer-Veger NJ, Buunk AM, Guchelaar HJ, et al. Dutch Pharmacogenetics Working Group (DPWG) guideline for the gene-drug interaction between CYP2D6, CYP3A4 and CYP1A2 and antipsychotics. Eur J Hum Genet. 2023; 8(1): 1-8. doi: 10.1038/s41431-023-01347-3

15. Belle DJ, Singh H. Genetic factors in drug metabolism. Am Fam Physician. 2008; 77(11): 1553-1560.

16. Wang L, McLeod HL, Weinshilboum RM. Genomics and drug response. N Engl J Med. 2011; 364(12): 1144-1153. doi: 10.1056/NEJMra1010600

17. Adam G, Rampášek L, Safikhani Z, Smirnov P, Haibe-Kains B, Goldenberg A. Machine learning approaches to drug response prediction: Challenges and recent progress. NPJ Precis Oncol. 2020; 4(1): 19. doi: 10.1038/s41698-020-0122-1

18. Gerdes H, Casado P, Dokal A, Hijazi M, Akhtar N, Osuntola R, et al. Drug ranking using machine learning systematically predicts the efficacy of anti-cancer drugs. Nat Commun. 2021; 12(1): 1850. doi: 10.1038/s41467-021-22170-8

19. Chugh H, Singh S. Machine learning applications in rational drug discovery. Drug Design Using Machine Learning. 2022: 97-116. doi: 10.1002/9781394167258.ch3

20. Roche-Lima A, Roman-Santiago A, Feliu-Maldonado R, Rodriguez-Maldonado J, Nieves-Rodriguez BG, Carrasquillo-Carrion K, et al. Machine learning algorithm for predicting warfarin dose in Caribbean Hispanics using pharmacogenetic data. Front Pharmacol. 2020; 10: 1550. doi: 10.3389/fphar.2019.01550

21. Cosgun E, Limdi NA, Duarte CW. High-dimensional pharmacogenetic prediction of a continuous trait using machine learning techniques with application to warfarin dose prediction in African Americans. Bioinformatics. 2011; 27(10): 1384-1389. doi: 10.1093/bioinformatics/btr159

22. International Warfarin Pharmacogenetics Consortium. Estimation of the warfarin dose with clinical and pharmacogenetic data. N Engl J Med. 2009; 360(8): 753-764. doi: 10.1056/NEJMoa0809329

23. Johnson JA, Caudle KE, Gong L, Whirl‐Carrillo M, Stein CM, Scott SA, et al. Clinical Pharmacogenetics Implementation Consortium (CPIC) guideline for pharmacogenetics‐guided warfarin dosing: 2017 update. Clin Pharmacol Therapeutics. 2017; 102(3): 397-404. doi: 10.1002/cpt.668

24. Asiimwe IG, Zhang EJ, Osanlou R, Jorgensen AL, Pirmohamed M. Warfarin dosing algorithms: A systematic review. Br J Clin Pharmacol. 2021; 87(4): 1717-1729. doi: 10.1111/bcp.14608

25. Ren Y, Yang C, Chen H, Dai D, Wang Y, Zhu H, et al. Pharmacogenetic-guided algorithm to improve daily dose of warfarin in elder Han-Chinese population. Front Pharmacol. 2020; 11: 1014. doi: 10.3389/fphar.2020.01014

26. Carlquist JF, Anderson JL. Using pharmacogenetics in real time to guide warfarin initiation: A clinician update. Circulation. 2011; 124(23): 2554-2559. doi: 10.1161/CIRCULATIONAHA.111.019737

27. Yang T, Zhou Y, Chen C, Lu M, Ma L, Cui Y. Genotype‐guided dosing versus conventional dosing of warfarin: A meta‐analysis of 15 randomized controlled trials. J Clin Pharm Ther. 2019; 44(2): 197-208. doi: 10.1111/jcpt.12782

28. Pirmohamed M, Burnside G, Eriksson N, Jorgensen AL, Toh CH, Nicholson T, et al. A randomized trial of genotypeguided dosing of warfarin. N Engl J Med. 2013; 369: 2294-22303. doi: 10.1056/NEJMoa1311386

29. Li X, Li D, Wu JC, Liu ZQ, Zhou HH, Yin JY. Precision dosing of warfarin: Open questions and strategies. Pharmacogenomics J. 2019; 19(3): 219-229. doi: 10.1038/s41397-019-0083-3

30. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: Past, present and future. Stroke Vasc Neurol. 2017; 2(4): 230-243. doi: 10.1136/svn-2017-000101

31. Harrer S, Shah P, Antony B, Hu J. Artificial intelligence for clinical trial design. Trends Pharmacol Sci. 2019; 40(8): 577-591. doi: 10.1016/j.tips.2019.05.005

32. Patel L, Shukla T, Huang X, Ussery DW, Wang S. Machine learning methods in drug discovery. Molecules. 2020; 25(22): 5277. doi: 10.3390/molecules25225277

33. Lin CC, Wang YC, Chen JY, Liou YJ, Bai YM, Lai IC, et al. Artificial neural network prediction of clozapine response with combined pharmacogenetic and clinical data. Comput Methods Programs Biomed. 2008; 91(2): 91-99. doi: 10.1016/j.cmpb.2008.02.004

34. Chiu YC, Chen HI, Zhang T, Zhang S, Gorthi A, Wang LJ, et al. Predicting drug response of tumors from integrated genomic profiles by deep neural networks. BMC Med Genomics. 2019; 12(Suppl 1): 143-155. doi: 10.1186/s12920-018-0460-9

35. Russell LE, Zhou Y, Almousa AA, Sodhi JK, Nwabufo CK, Lauschke VM. Pharmacogenomics in the era of next generation sequencing – From byte to bedside. Drug Metab Rev. 2021; 53(2): 253-278. doi: 10.1080/03602532.2021.1909613

36. Chiu YC, Chen HI, Gorthi A, Mostavi M, Zheng S, Huang Y, et al. Deep learning of pharmacogenomics resources: Moving towards precision oncology. Brief Bioinform. 2020; 21(6): 2066-2083. doi: 10.1093/bib/bbz144

37. Hertz DL, Ramsey LB, Gopalakrishnan M, Leeder JS, Van Driest SL. Analysis approaches to identify pharmacogenetic associations with pharmacodynamics. Clin Pharmacol Ther. 2021; 110(3): 589-594. doi: 10.1002/cpt.2312

38. Yeh CH, Chou YJ, Tsai TH, Hsu PW, Li CH, Chan YH, et al. Artificial-intelligence-assisted discovery of genetic factors for precision medicine of antiplatelet therapy in diabetic peripheral artery disease. Biomedicines. 2022; 10(1): 116. doi: 10.3390/biomedicines10010116

39. Mega JL, Close SL, Wiviott SD, Shen L, Hockett RD, Brandt JT, et al. Cytochrome p-450 polymorphisms and response to clopidogrel. N Engl J Med. 2009; 360(4): 354-362. doi: 10.1056/nejmoa0809171

40. Тарасочкина Д.С., Полунина Е.А., Севостьянова И.В., Воронина Л.П., Кантемирова Б.И. Взаимосвязи уровня фракталкина и показателей эхокардиоскопии при артериальной гипертензии, стенокардии напряжения и их сочетании. Кубанский научный медицинский вестник. 2015; (4): 119-123.

41. Сычев Д.А., Шуев Г.Н., Торбенков Е.С., Адриянова М.А. Персонализированная медицина: взгляд клинического фармаколога. Consilium Medicum. 2017; 19(1): 61-68.

42. Sahu A, Mishra J, Kushwaha N. Artificial intelligence (AI) in drugs and pharmaceuticals. Comb Chem High Throughput Screen. 2022; 25(11): 1818-1837. doi: 10.2174/1386207325666211207153943

43. Roosan D, Chok J, Baskys A, Roosan MR. PGxKnow: A pharmacogenomics educational HoloLens application of augmented reality and artificial intelligence. Pharmacogenomics. 2022; 23(4): 235-245. doi: 10.2217/pgs-2021-0120

44. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019; 17: 1-9. doi: 10.1186/s12916-019-1426-2

45. Wang F, Preininger A. AI in health: State of the art, challenges, and future directions. Yearb Med Inform. 2019; 28(1): 16-26. doi: 10.1055/s-0039-1677908

46. Auwerx C, Sadler MC, Reymond A, Kutalik Z. From pharmacogenetics to pharmaco-omics: Milestones and future directions. HGG Adv. 2022; 3(2): 100100. doi: 10.1016/j.xhgg.2022.100100

47. Arabi AA. Artificial intelligence in drug design: Algorithms, applications, challenges and ethics. Fut Drug Discov. 2021; 3(2): FDD59. doi: 10.4155/fdd-2020-0028