İlaç-İlaç Etkileşimleri

İlaç-İlaç Etkileşimleri (DDI), birlikte alınan iki veya daha fazla ilacın etkilerini ifade etmektedir. İki veya daha fazla ilaç birlikte alındığında, ciddi yan etkilere ve hatta ölüme neden olabilecek şekilde etkileşime girebilirler. Bu etkileşimler, ilaçlar birlikte alındığında veya bir ilaç başka bir ilacın metabolizmasını etkilediğinde meydana gelebilmektedir. Doğru ilaçları, doğru dozlarda ve doğru kombinasyonlarda alındığından emin olmak için ilaç-ilaç etkileşimlerinin potansiyel risklerini anlamak önemlidir.

İlaç-ilaç etkileşimleri, ilaçlardan birinin veya her ikisinin etkinliğinin artmasına veya azalmasına neden olabilir veya beklenmeyen bir şekilde zararlı reaksiyonlara, yan etkilere neden olabilir. Örneğin bir ilaç başka bir ilacın emilimini engelleyerek vücuttaki ilaç miktarının artmasına neden olabilir. Bu, yan etki veya toksisite riskinin artmasıyla sonuçlanabilir. Potansiyel ilaç-ilaç etkileşimlerinin farkında olmak ve bunları doktor ile görüşmek son derece önemlidir. Doktor, ilaçlardan herhangi birinin birbiriyle etkileşime girip girmediğini belirlemeye yardımcı olabilir ve bunların nasıl yönetileceği konusunda tavsiyede bulunabilir. Etiketleri dikkatlice okumak ve herhangi bir ilacı almak için talimatları takip etmek de önemlidir. Potansiyel ilaç-ilaç etkileşimlerinin farkında olarak, ilaçlardan en iyi şekilde yararlanmak kritik bir önem arz etmektedir.

Literatürdeki çalışmalar incelendiğinde ilaç-ilaç etkileşimlerinin ve analizlerinin farklı yönlerini kapsayan birçok çalışma bulunmaktadır. Tüm bu çalışmalarda ilaç-ilaç etkileşimleriyle ilişkili risklerin kapsamlı değerlendirmelerinin yapılmasının önemi tartışılmıştır. Swapna ve arkadaşları, Amiodarone ve Levofloxacin üzerine DDI çalışmalarının bir incelemesini yapmıştır (Swapna ve ark., 2019). Azuaje, ilaç etkileşim ağlarını ve bunların potansiyel klinik uygulamalarını tanıtmıştır (Azuaje, 2013). Correia ve diğerleri, ağ analizi yoluyla potansiyel ilaç etkileşimlerini ve reaksiyonlarını izlemek için Instagram verilerini kullanmışlardır (Correia ve ark., 2016). Zagidullin ve arkadaşları, ilaç kombinasyonlarını araştırmak için kapsamlı bir kaynak sağlamak üzere bir kanser ilacı kombinasyonu veri portalı geliştirmişlerdir (Zagidullin ve ark., 2019). Niu ve arkadaşları, farmakodinamik ilaç-ilaç etkileşimlerini, ilgili mekanizmaları ve bunların ilaç etkinliğini ve güvenliğini nasıl etkileyebileceğini tartışmışlardır (Niu ve ark., 2019). Lin ve arkadaşları, ilaç-ilaç etkileşimlerini tahmin etmek için bir Bilgi Grafiği Sinir Ağı (KGNN) önerirken (Niu ve ark., 2020), Feng ve arkadaşları, DPDDI adı verilen ilaç-ilaç etkileşimleri analizi için derin öğrenme tabanlı bir tahmin yazılımı geliştirmiştirlerdir (Feng ve ark., 2020). Van Haarst ve arkadaşları, rifampin ilaç-ilaç etkileşimi çalışmalarındaki son nitrozamin safsızlıkları sorununu ele almıştır (Van Haarst ve ark., 2023). Hauben, ilaç-ilaç etkileşimlerinin farmakovijilansı için yapay zekâ ve veri madenciliğinin kullanımını gözden geçirmiş ve bu araçların ilaç-ilaç etkileşimlerinin tanımlanması ve değerlendirilmesindeki iyileştirme potansiyelini vurgulamıştır (Hauben, 2023). Juhi ve arkadaşları, ChatGPT’nin yaygın ilaç-ilaç etkileşimlerini tahmin etme ve açıklama kapasitesini incelemişler ve ChatGPT’nin ilaç-ilaç etkileşimlerini tahmin etmede etkili olduğunu ve mevcut bilgilerle tutarlı açıklamalar sağladığını ifade etmişlerdir (Juhi, 2023). Zhu ve arkadaşları, ilaç-ilaç etkileşimleri ile akut böbrek hasarı gelişimi arasındaki ilişkiyi araştırmak için korelasyon tabanlı bir ağ analizi gerçekleştirmiş ve belirli ilaç çiftlerinin daha yüksek akut böbrek hasarı riski ile ilişkili olduğunu tespit etmişlerdir (Zhu ve ark., 2023). Vo ve arkadaşları, ilaç-ilaç etkileşimleri tahmininde açıklanabilir yapay zekaya giden yolda sistematik bir inceleme gerçekleştirmiş ve ilaç-ilaç etkileşimlerinin altında yatan mekanizmalar hakkında içgörü sağlayabilecek şeffaf ve yorumlanabilir yapay zekâ modelleri geliştirmenin önemini tartışmışlardır (Vo ve ark., 2022). Al-Rabeah ve Lakizadeh, ilaç-ilaç etkileşimi olaylarını tahmin etmek için çizge sinir ağı tabanlı bir özellik çıkarma yaklaşımı önermiş ve yaklaşımlarının ilaç-ilaç etkileşimlerini tahmin etmede diğer birkaç makine öğrenimi modelinden daha iyi performans gösterdiğini tespit etmişlerdir (Al-Rabeah ve Lakizadeh, 2022).

İlaç-ilaç etkileşimleri, ciddi yan etkilere ve hatta ölüme neden olabildikleri için tıp alanında önemli bir endişe kaynağıdır. İlaç-ilaç etkileşimlerinin karmaşıklığı göz korkutucu olabilse de ağ analizi ve görselleştirme, bunları keşfetmek ve anlamak için güçlü bir araç sağlayabilmektedir. Ağ analizi ve görselleştirme, ilaçlar arasındaki etkileşimlerdeki kalıpları belirlemeye ve gözden kaçmış olabilecek potansiyel ilaç-ilaç etkileşimlerini belirlemeye yardımcı olabilmektedir. Buna ilaveten, ağ analizi ve görselleştirme, ilaç-ilaç etkileşimlerini tahmin etmeye ve önlemeye yönelik stratejiler geliştirmek için kullanılabilir.

Kaynak: Uysal, İ., Köse, U. (2023). İlaç-İlaç Etkileşimlerini Keşfetmek: Bir Ağ Analizi ve Görselleştirme Yaklaşımı. Journal of Materials and Mechatronics: A (JournalMM), 4(1), 257-270.

Bu metin İlaç-İlaç etkileşimlerini ağ analizi ve görselleştirme bağlamında dikkate alan, proje araştırmacılarından Dr. İlhan Uysal ve proje yürütücüsü Dr. Utku Köse’nin araştırma çalışmasından bir kesittir. Makalenin devamı için: https://dergipark.org.tr/en/download/article-file/3024347

Kaynakça

• Al-Rabeah M. H., Lakizadeh A. Prediction of drug-drug interaction events using graph neural networks based feature extraction. Scientific Reports, 12(1), 15590, 2022.
• Azuaje F. Drug interaction networks: an introduction to translational and clinical applications. Cardiovascular research, 97(4), 631-641, 2013.
• Correia R. B., Li L., Rocha L. M. Monitoring potential drug interactions and reactions via network analysis of instagram user timelines. In Biocomputing 2016: Proceedings of the Pacific Symposium, 492-503, 2016.
• Feng, Y. H., Zhang, S. W., & Shi, J. Y. (2020). DPDDI: a deep predictor for drug-drug interactions. BMC bioinformatics, 21(1), 419.
• Hauben M. Artificial Intelligence and Data Mining for the Pharmacovigilance of Drug–Drug Interactions. Clinical Therapeutics, 2023.
• Juhi A., Pipil N., Santra S., Mondal S., Behera J. K., Mondal H., Behera IV, J. K. The capability of ChatGPT in predicting and explaining common drug-drug interactions. Cureus, 15(3), 2023.
• Niu J., Straubinger R. M., Mager D. E. Pharmacodynamic drug–drug interactions. Clinical Pharmacology & Therapeutics, 105(6), 1395-1406, 2019.
• Swapna G., Pravallika B., Poojitha J. A Review on Drug-drug interaction studies on Amiodarone and Levofloxacin. Research journal of Pharmacology and Pharmacodynamics, 11(4), 147-152, 2019.
• Van Haarst A., Smith S., Garvin C., Benrimoh N., Paglialunga S. Rifampin drug–drug–interaction studies: reflections on the nitrosamine impurities issue. Clinical Pharmacology – Therapeutics, 113(4), 816-821, 2023.
• Vo T. H., Nguyen N. T. K., Kha Q. H., Le N. Q. K. On the road to explainable AI in drug-drug interactions prediction: A systematic review. Computational and Structural Biotechnology Journal, 2022.
• Zagidullin B., Aldahdooh J., Zheng S., Wang W., Wang Y., Saad J., Tang J. DrugComb: an integrative cancer drug combination data portal. Nucleic acids research, 47(W1), W43-W51, 2019.
• Zhu W., Barreto E. F., Li J., Lee H. K., Kashani K. Drug-drug interaction and acute kidney injury development: A correlation-based network analysis. Plos one, 18(1), e0279928, 2023.