Die University of Liverpool Drug Interaction bietet die DDI-Identifikation zwischen ARVs und Komedikationen. Die Bewertung des DDI-Potenzials für eine bestimmte Medikamentenkombination erfolgt nach einem systematischen Ansatz, der die pharmakokinetischen und pharmakodynamischen Eigenschaften der gleichzeitigen verabreichten Medikamente zusammenfasst. Die Risikobewertung basiert auf Faktoren wie der Höhe der pharmakokinetischen Veränderung, dem therapeutischen Index des Medikaments und der Möglichkeit, das Medikament zu überwachen. Es gibt vier Risikokategorien für DDIs: Grün, Gelb, Bernstein und Rot, wobei Rote als Deleterious-Effekt klassifiziert werden.
Das DeepARV-Similarity-Projekt verwendet Morgan-Fingerabdrücke zur Berechnung der molekularen Ähnlichkeiten zwischen Medikamenten. Mithilfe des Tanimoto-Koeffizienten wird die strukturelle Ähnlichkeit zwischen zwei Medikamenten gemessen. Die DeepARV-ChemBERTa verwendet einen transformer-basierten Ansatz für die molekulare Strukturerkennung. Es wurden verschiedene neuronale Netzwerkarchitekturen und Hyperparameter optimiert, um optimale Modelle für die Vorhersage von DDIs zu entwickeln.
Für eine unabhhängige Testset wurden acht ARVs ausgewählt und von den Trainingsdaten ausgeschlossen. Die Leistung der Modelle wurde anhand von Metriken wie Genauigkeit, Präzision, Sensitivität, Spezifität und F1-Score bewertet. Auch die verwendeten Machine-Learning-Ansätze wie Gaussian Naïve Bayes, Decision Trees und Random Forest wurden für den Benchmarking-Prozess verwendet.
Das gesamte Modell umfasste eine Kombination von Unterabtastungs- und Ensembling-Techniken, um die Ungleichverteilung der Klassen in den Daten auszugleichen. Durch die Anpassung der Klassenwerte und die Verwendung von unterschiedlichen Modellen für jedes Teilensemble wurde eine präzise Vorhersage von DDIs erreicht. Die Kostenfunktion und Klassenwerte wurden entsprechend angepasst, um eine faire Bewertung und Vorhersage von Risiken zu gewährleisten.