BMC Biol. 2026 Jun 1;24(1):130. doi: 10.1186/s12915-026-02648-x.

RESUMO

ANTECEDENTES: Prever interações medicamentosas (DDIs) a partir de redes sociais e descrições de medicamentos é crucial para a saúde, regulação de medicamentos e pesquisa farmacêutica, mas ainda é uma tarefa desafiadora. Abordagens existentes de aprendizado profundo e baseadas em Transformer muitas vezes têm dificuldade em modelar dependências de longo alcance dentro de frases ou implicam em altos custos computacionais, limitando sua aplicabilidade prática na triagem de segurança de medicamentos em larga escala.

RESULTADOS: Para superar essas limitações, propomos um Modelo de Espaço de Estado de Fusão (FSSM) para previsão de DDI (DDIP). O FSSM aproveita um Modelo de Espaço de Estado Seletivo (SSM) para capturar eficientemente dependências sintáticas e semânticas de longo alcance dentro de frases, enquanto um módulo de Filtragem Seletiva baseada em Interação (ISF) mitiga a redundância de informações de entradas multimodais. Experimentos no corpus DDIExtraction-2013 demonstram que o FSSM alcança um F1-score de 75,23%, igualando os modelos Transformer de ponta, exigindo significativamente menos tempo de treinamento. Estudos de ablação confirmam que cada componente arquitetônico contribui de forma significativa, com a incorporação de redes sociais proporcionando o maior ganho de desempenho (queda de 8,93% após remoção) e o módulo ISF contribuindo com um aumento de 4,80%.

CONCLUSÕES: FSSM oferece um equilíbrio promissor entre desempenho preditivo e eficiência computacional para a previsão de interações medicamentosas. A complexidade linear dos modelos permite uma triagem em larga escala, aplicações em tempo real e implantação em ambientes com recursos limitados, tornando-o uma ferramenta valiosa para a descoberta e avaliação da segurança de medicamentos.

PMID: 42226246 | DOI: 10.1186/s12915-026-02648-x

Para ler a postagem completa, visite o original: Leia a Postagem Completa