💊 薬物相互作用予測AIシステム

Drug-Drug Interaction (DDI) Prediction System

薬剤師の専門知識と機械学習を融合した、薬物相互作用予測システム

---

🎯 プロジェクト概要

このプロジェクトは、機械学習を用いて2つの薬物間の相互作用リスクを予測するシステムです。薬剤師としての臨床知識とデータサイエンス技術を組み合わせ、実臨床で価値のある予測モデルを構築しています。

予測する相互作用の重症度

• Major（重大）: 生命を脅かす可能性、入院が必要
• Moderate（中等度）: 患者状態の悪化、治療調整が必要
• Minor（軽度）: 軽微な影響、経過観察
• None（なし）: 臨床的に意義のある相互作用なし

---

✨ 主な特徴

1. 薬学的特徴量の実装

実際の薬物相互作用メカニズムに基づいた特徴量設計：

薬物動態学的特徴

• 脂溶性（LogP値）
• 分子量
• タンパク結合率
• 半減期

代謝・トランスポーター

• CYP酵素（CYP3A4, 2D6, 2C9, 2C19）の基質・阻害
• P糖タンパク質の相互作用
• 治療域の狭さ（Narrow Therapeutic Index）

患者因子

• 年齢
• 腎機能（eGFR）
• 肝機能
• 併用薬数

2. 複数の機械学習モデル

• Random Forest: アンサンブル学習、特徴量重要度分析
• Gradient Boosting: 高精度な予測
• Logistic Regression: 解釈可能性

3. 包括的な評価

• 混同行列（Confusion Matrix）
• Precision, Recall, F1-Score
• クラス別パフォーマンス分析
• 特徴量重要度の可視化

---

🚀 技術スタック

カテゴリ	技術
言語	Python 3.8+
機械学習	scikit-learn, Random Forest, Gradient Boosting
データ処理	pandas, NumPy
可視化	Matplotlib, Seaborn
評価指標	Classification metrics, Confusion Matrix

---

📁 プロジェクト構造

drug-interaction-prediction/
├── drug_interaction_predictor.py    # メインスクリプト
├── README.md                         # このファイル
├── requirements.txt                  # 依存ライブラリ
├── PORTFOLIO_GUIDE.md               # ポートフォリオとしての活用法
└── outputs/                          # 出力ファイル
    ├── 01_class_distribution.png
    ├── 02_model_comparison.png
    ├── 03_confusion_matrix.png
    ├── 04_feature_importance.png
    └── drug_interaction_data.csv

---

🔧 セットアップ

1. リポジトリのクローン

git clone https://github.com/yourusername/drug-interaction-prediction.git
cd drug-interaction-prediction

2. 仮想環境の作成（推奨）

python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

3. 依存関係のインストール

pip install -r requirements.txt

4. 実行

python drug_interaction_predictor.py

---

📊 実行結果

モデル性能（テストセット）

モデル	Accuracy	Precision	Recall	F1-Score
Random Forest	0.578	0.434	0.578	0.461
Gradient Boosting	0.573	0.466	0.573	0.476
Logistic Regression	0.588	0.453	0.588	0.484

最も重要な特徴量（Top 5）

1. 患者年齢 (0.084) - 高齢者は相互作用リスクが高い
2. 腎機能 (0.083) - 腎機能低下で薬物蓄積
3. 分子量 (0.070) - 薬物の吸収・分布に影響
4. 脂溶性 (0.069) - 膜透過性と分布容積
5. タンパク結合率 (0.069) - 遊離型薬物濃度

---

🧠 薬学的知見

実装された相互作用メカニズム

1. CYP酵素阻害

# 例: CYP3A4基質薬物 + CYP3A4阻害薬
if drug1_cyp_substrate == 'CYP3A4' and drug2_cyp_inhibitor:
    → 薬物濃度上昇リスク → Major/Moderate

2. 既知の高リスク組み合わせ

• 抗凝固薬 + NSAID: 出血リスク増加
• SSRI + NSAID: 消化管出血
• ACE阻害薬 + 利尿薬: 低血圧、腎機能障害
• スタチン + 抗生物質: 横紋筋融解症

3. 患者因子の考慮

• 高齢者（>75歳）: 薬物代謝能低下
• 腎機能低下（eGFR<60）: 薬物排泄遅延
• 多剤併用: 相互作用リスク増加

---

📈 改善の余地と今後の発展

データの拡張

1. 実データの活用

   • DrugBank: 薬物相互作用データベース
   • TWOSIDES: 副作用データ
   • FDA Adverse Event Reporting System (FAERS)

2. 追加特徴量

   • 薬物構造情報（SMILES、分子指紋）
   • 薬物遺伝学（Pharmacogenomics）
   • 電子カルテデータ

モデルの高度化

1. 深層学習の適用

   • Graph Neural Networks (GNN)
   • Transformer-based モデル
   • 薬物構造の直接学習

2. 説明可能AI（XAI）

   • SHAP値による予測理由の説明
   • LIME: 局所的な解釈可能性
   • Attention機構の可視化

3. マルチタスク学習

   • 相互作用メカニズムの同時予測
   • 副作用の種類の予測
   • 推奨される代替薬の提案

実臨床への応用

1. リアルタイム警告システム

   • 電子カルテとの統合
   • 処方時の自動チェック
   • モバイルアプリ

2. 多言語対応

   • 5ヶ国語での薬物情報提供
   • 国際的な薬物データベース統合

---

🎓 このプロジェクトで示すスキル

データサイエンススキル

✅ ドメイン知識の特徴量化
✅ 不均衡データの扱い（クラスの偏り）
✅ 複数モデルの比較・評価
✅ 交差検証とハイパーパラメータチューニング
✅ 特徴量重要度分析

AIエンジニアリングスキル

✅ scikit-learnでの機械学習パイプライン
✅ Random Forest、Gradient Boosting の実装
✅ モデル評価指標の選択と解釈
✅ 予測結果の可視化

薬学専門スキル

✅ 薬物動態学（PK/PD）の理解
✅ CYP酵素システムの知識
✅ 臨床的リスク評価
✅ 実臨床での応用可能性

ソフトウェアエンジニアリングスキル

✅ オブジェクト指向プログラミング
✅ クリーンなコード設計
✅ 詳細なドキュメンテーション
✅ 再現可能な研究

---

💼 アピールポイント

専門性の融合

「薬剤師として培った薬物相互作用の臨床知識を、機械学習モデルの特徴量設計に活かしました。特にCYP酵素阻害や治療域の狭さなど、実際の相互作用メカニズムを特徴量として実装しています。」

問題解決能力

「薬物相互作用は複雑で多因子的な問題です。このプロジェクトでは、薬物特性、代謝経路、患者因子を統合的にモデル化し、臨床的に意義のある予測を目指しました。」

実用性への意識

「モデルの精度だけでなく、特徴量重要度を分析することで、どの因子が相互作用リスクに寄与しているかを明確にしました。これは実臨床での意思決定支援に重要です。」

継続的学習

「現在は教師あり学習を使用していますが、Graph Neural Networksを用いた薬物構造の直接学習や、説明可能AIによる予測根拠の提示など、さらなる改善の余地を認識しています。」

---

📚 参考文献・リソース

薬物相互作用データベース

• DrugBank: https://go.drugbank.com/
• TWOSIDES: http://tatonettilab.org/offsides/
• Drugs.com Interaction Checker

機械学習リソース

• scikit-learn Documentation
• "Hands-On Machine Learning" by Aurélien Géron
• Kaggle: Drug Interaction Prediction Competitions

薬学文献

• "Clinical Pharmacokinetics and Pharmacodynamics" by Malcolm Rowland
• FDA Drug Interaction Studies Guidelines

---

🤝 貢献

プルリクエストを歓迎します！改善提案や新機能のアイデアがあれば、Issueを開いてください。

---

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。

---

👤 作成者

Yuki Koga

• 資格: 薬剤師、TOEIC 825、 HSK4級（中国語）
• 専門: 薬学 （→ AIエンジニア/データサイエンティスト）
• 言語: 日本語、英語、中国語、スペイン語
• GitHub: @AoharuPeace
• LinkedIn: yuki-k-ab049b216

---

⚠️ 免責事項

このプロジェクトは教育・研究目的で作成されています。実際の臨床判断には使用しないでください。薬物相互作用に関する判断は、必ず医療専門家に相談してください。

---

🙏 謝辞

このプロジェクトは、薬剤師としての臨床経験とAI技術への情熱を組み合わせて作成しました。医療AIの発展に少しでも貢献できれば幸いです。

---

⭐ このプロジェクトが参考になったら、スターをお願いします！

Keywords: Drug-Drug Interaction, Machine Learning, Random Forest, Pharmacology, Clinical Decision Support, Healthcare AI, 薬物相互作用, 機械学習, 医療AI