ABSTRACT
En este trabajo se propone una aproximación para la identificación y la predicción de interacciones farmacológicas en la literatura biomédica mediante el uso de medidas de centralidad. Las interacciones farmacológicas están provocadas por alteraciones del efecto de un fármaco. Los especialistas en salud cuentan con bases de datos farmacológicas en las que se proporciona información sobre dichas interacciones. Sin embargo, la cobertura de dichas bases de datos es limitada. Por tanto, la literatura biomédica sigue siendo la fuente de información científica por excelencia. El método utilizado para la identificación de tales interacciones se ha basado en análisis de redes y técnicas de visualización de la información. Partiendo de un conjunto de fármacos extraídos de la base de datos MEDLINE, aplicamos las métricas de grado, cercanía e intermediación para clasificar los fármacos en la red. Los resultados a los que se ha llegado muestran que la centralidad de intermediación constituye la medida más adecuada para identificar y predecir nuevas interacciones. La conclusión es que las interacciones farmacológicas, descubiertas con el procedimiento propuesto, podrían ser buenas candidatas para posteriores análisis experimentales en los que se comprobara su relevancia clínica. Además, este mismo procedimiento se podría utilizar en los procesos de curación de contenido en las bases de datos farmacológicas.
The paper proposes an approach to the identification and prediction of drug interactions in biomedical literature using measures of centrality. Drug interactions are caused by alterations in the effect of a drug. Health specialists have pharmacological databases at their disposal in which information is provided about such interactions. However, because such databases have a limited scope, biomedical literature continues to be the source of scientific information par excellence. The method used to identify such interactions was based on network analysis and information visualization techniques. Degree, closeness and betweenness metrics were applied to a set of drugs extracted from the database MEDLINE with the purpose of classifying the drugs in the network. The results obtained show that the centrality of betweenness is the most appropriate measure to identify and predict new interactions. The conclusion is that the drug interactions revealed by the procedure proposed could be good candidates for further experimental analysis aimed at verifying their clinical relevance. The procedure could also be used for the content curation of drug databases.