Programme de Doctorat en informatique

Département d’informatique et de génie logiciel

Faculté des sciences et de génie

Présentation de la proposition de projet de thèse (IFT-8004)

de

Sewagnouin Rogia Kpanou

 

Le mercredi 16 octobre 2024 à 9 h

Local PLT-3904

 

Lien Zoom : https://ulaval.zoom.us/j/67508826518?pwd=UQYP8iBs9mRwvTA8imsGurbkucY193.1

Meeting ID: 675 0882 6518

Passcode: 921284

« Leveraging deep learning to predict  drug-drug interaction side effects:

Enhancing drug safety in polypharmacy »

 

 

Membres du comité d’encadrement

 

Elsa Rousseau, Ph.D. (Directrice de recherche)

Département d’informatique et de génie logiciel

Jacques Corbeil, Ph.D. (Co-directeur)

Département de médecine moléculaire

Faculté de médecine, Université Laval

Pascal Germain, Ph.D. (Examinateur)

Département d’informatique et de génie logiciel

Mario Marchand, Ph.D. (Examinateur)

Département d’informatique et de génie logiciel

 

Résumé

L’utilisation simultanée de plusieurs médicaments, ou polypharmacie, est courante dans la pratique médicale moderne et essentielle pour traiter diverses pathologies. Cependant, cette pratique augmente considérablement le risque d’interactions médicamenteuses et d’effets secondaires indésirables. Le dépistage systématique de toutes les combinaisons médicamenteuses est irréaliste, et les essais cliniques passent souvent à côté de nombreuses interactions en raison de la taille limitée des cohortes. En conséquence, les interactions nocives sont souvent découvertes seulement après l’approbation des médicaments, ce qui impose une lourde charge aux agences de sécurité pour surveiller et prévenir les combinaisons dangereuses. Par conséquent, il est essentiel de développer des outils de prédiction in silicopour identifier et prioriser les bons médicaments dès le début du processus de découverte. Ces outils doivent également permettre de dépister les médicaments déjà sur le marché pour détecter les interactions potentielles, car les données disponibles ne sont pas exhaustives.

Cette thèse explore l’utilisation de l’apprentissage profond pour prédire les effets secondaires des interactions médicamenteuses dans le contexte de la polypharmacie. Nous présentons des modèles capables de prédire les effets secondaires des interactions médicamenteuses à partir de leurs structures moléculaires. En se focalisant exclusivement sur ces structures, ces modèles offrent une prédiction fiable des effets dès les premiers stades de la découverte de médicaments. Nous renforçons également leur robustesse en les entraînant et en les testant dans des conditions proches de celles du déploiement réel, ce qui améliore leur capacité de généralisation dans des contextes où de nouveaux médicaments sont constamment introduits. De plus, nous avons mis au point des méthodes pour extraire des représentations moléculaires pertinentes et robustes, améliorant ainsi la puissance prédictive et l’applicabilité de nos modèles.

Nos algorithmes visent, ultimement, à améliorer la sécurité et l’efficacité des traitements en optimisant la gestion des interactions médicamenteuses dans un contexte de polypharmacie.

Abstract

The simultaneous use of multiple medications, or polypharmacy, is common in modern medical practice and essential for treating various conditions. However, polypharmacy significantly increases the risk of drug interactions and adverse side effects. Systematic screening of all possible drug combinations is unrealistic, and clinical trials often miss many drug-drug interactions (DDIs) due to limited cohort sizes. Consequently, harmful interactions are frequently identified only after drug approval, placing a heavy burden on drug safety agencies to monitor and prevent adverse drug combinations. As a result, there is a critical need for in silico prediction tools to identify and prioritize promising drug candidates early in the discovery process, ensure safe and effective clinical management before drugs reach patients, and screen existing drugs for potential interactions, given current databases are not exhaustive.

This thesis explores the application of deep learning to predict the side effects of drug-drug interactions in the context of polypharmacy. We address the limitations of existing methodologies by developing novel models that predict potential side effects from the concurrent use of multiple medications, even with limited drug-drug interaction datasets. Our models are engineered to perform effectively with minimal information, leveraging the structural properties of drugs. By focusing on drug structures, our models can accurately predict drug-drug interactions side effects even when little is known about drugs, which is which is common in the early stages of drug discovery. We further enhance model robustness by simulating real-world deployment settings, which provides a more reliable assessment of a model’s generalization capacity and bridges the gap between biological complexity and computational accuracy. This improves the generalizability of our models and ensures their robustness and reliability in real-world scenarios where new drugs are continuously introduced. Additionally, we have developed different methods to extract biologically relevant and robust molecular representations from drugs, which further strengthen the predictive power and applicability of our models.

Our algorithms aim to ultimately enhance the safety and efficacy of treatments by optimizing the management of drug-drug interactions.

Note: La présentation sera donnée en anglais.

Bienvenue à tout.e.s !