Открытые базы данных нежелательных реакций: применение для оценки безопасности разрабатываемых лекарственных средств (обзор)

ВВЕДЕНИЕ. Важным этапом разработки лекарственных средств является оценка информации о безопасности уже зарегистрированных лекарственных препаратов (ЛП). Регуляторными органами и отдельными исследовательскими группами созданы и поддерживаются базы данных (БД) нежелательных реакций (НР) при применении ЛП. Сведения, агрегированные в таких БД, могут использоваться для создания справочных и обучающих наборов данных для экспериментальных и in silico исследований. Упростить выбор БД, релевантных для целей конкретного исследования, позволит предварительная оценка и систематизация представленной в них информации.

ЦЕЛЬ. Оценка возможности применения открытых баз данных для исследования безопасности лекарственных средств.

ОБСУЖДЕНИЕ. Изучены 11 БД с открытым доступом, содержащих сведения о НР ЛП: FAERS, DAEN, MedEffect Canada, EudraVigilance, VigiBase, SIDER, MetaADEDB, ADReCS-Target, T-ARDIS, OnSIDES, WWAD. Различия БД обусловлены прежде всего используемыми источниками информации: спонтанные сообщения (FAERS, DAEN, MedEffect Canada, EudraVigilance, VigiBase), инструкции по медицинскому применению ЛП и официальные документы (SIDER, OnSIDES, WWAD), научные публикации (ADReCS-Target) и другие открытые веб-ресурсы (MetaADEDB, T-ARDIS). Все рассмотренные БД могут быть использованы для информационной поддержки и анализа профиля безопасности ЛП. При проведении доклинических исследований, в частности для создания используемых в in silico методах обучающих выборок, полезны SIDER, MetaADEDB, ADReCS-Target, OnSIDES и WWAD. Генерация гипотез о возможных механизмах возникновения НР, поиск новых направлений репозиционирования ЛП могут быть осуществлены с помощью ADReCS-Target, WWAD и T-ARDIS благодаря представленной в них дополнительной информации о фармацевтических субстанциях и молекулярных мишенях. Использование методов автоматизированного анализа текстов без тщательной последующей ручной проверки при построении БД, таких как ADReCS-Target, T-ARDIS, OnSIDES и MetaADEDB, ограничивает их применение для задач, требующих высокой степени достоверности анализируемой информации.

ВЫВОДЫ. Рассмотренные БД НР могут служить ценным инструментом для решения широкого круга медико-биологических задач. При выборе БД, релевантной для конкретного исследования, необходимо учитывать принципы, лежащие в основе ее создания, поскольку различия в источниках и методах аннотирования могут влиять на достоверность результатов.

1. Zhai J, Yan H, Zhang J, et al. A comprehensive analysis of adverse drug reactions in 2020–2023: Case studies. Front Pharmacol. 2025;16:1628347. https://doi.org/10.3389/fphar.2025.1628347

2. Bennett CL, Hoque S, Olivieri N, et al. Consequences to patients, clinicians, and manufacturers when very serious adverse drug reactions are identified (1997–2019): A qualitative analysis from the Southern Network on Adverse Reactions (SONAR). EClinicalMedicine. 2020;31:100693. https://doi.org/10.1016/j.eclinm.2020.100693

3. Tan Y, Hu Y, Liu X, et al. Improving drug safety: From adverse drug reaction knowledge discovery to clinical implementation. Methods. 2016;110:14–25. https://doi.org/10.1016/j.ymeth.2016.07.023

4. Learn DB. Photosafety assessment of pharmaceuticals. In: Hock FJ, Pugsley MK, ed. Drug discovery and evaluation: Safety and pharmacokinetic assays. Cham, Switzerland: Springer International Publishing; 2024. P. 2393–409.

5. Schreier T, Tropmann-Frick M, Böhm, R. Integration of FAERS, Drug-Bank and SIDER data for machine learning-based detection of adverse drug reactions. Datenbank Spektrum. 2024;24:233–42. https://doi.org/10.1007/s13222-024-00486-1

6. Masoudi-Sobhanzadeh Y, Omidi Y, Amanlou M, Masoudi-Nejad A. Drug databases and their contributions to drug repurposing. Genomics. 2020;112(2):1087–95. https://doi.org/10.1016/j.ygeno.2019.06.021

7. Zhu Y, Elemento O, Pathak J, Wang F. Drug knowledge bases and their applications in biomedical informatics research. Brief Bioinform. 2019;20(4):1308–21. https://doi.org/10.1093/bib/bbx169

8. Поройков ВВ, Дмитриев АВ, Дружиловский ДС и др. Оценка безопасности фармакологических веществ in silico с применением методов машинного обучения: обзор. Безопасность и риск фармакотерапии. 2023;11(4):372–89. https://doi.org/10.30895/2312-7821-2023-11-4-372-389

9. Казаков АС, Дармостукова МА, Букатина ТМ и др. Сравнительный анализ международных баз данных о нежелательных реакциях лекарственных средств. Безопасность и риск фармакотерапии. 2020;8(3):134–40. https://doi.org/10.30895/2312-7821-2020-8-3-134-140

10. Журавлева ЕО, Вельц НЮ, Кутехова ГВ и др. Сигнал как инструмент системы фармаконадзора. Безопасность и риск фармакотерапии. 2018;6(2):61–7. https://doi.org/10.30895/2312-7821-2018-6-2-61-67

11. Luo J, Chen S, Zhang M, et al. Pharmacovigilance and signal detection of adverse drug events associated with proteasome inhibitors in multiple myeloma: A real-world analysis using the FAERS database. Hematology. 2025;30(1):2534758. https://doi.org/10.1080/16078454.2025.2534758

12. Qi F, Tian L, Diao H, et al. Adverse events associated with four atypical antipsychotics used as augmentation treatment for major depressive disorder: A pharmacovigilance study based on the FAERS database. J Affect Disord. 2025;388:119435. https://doi.org/10.1016/j.jad.2025.119435

13. Luo M, Liu T, Ye X, et al. Phosphodiesterase-5 inhibitors and hearing impairment: A disproportionality analysis using the US food and drug administration adverse event reporting system. Expert Opin Drug Saf. 2025;24(9):1103–11. https://doi.org/10.1080/14740338.2024.2386374

14. Bampali K, Koniuszewski F, Vogel FD, et al. GABAA receptor-mediated seizure liabilities: A mixed-methods screening approach. Cell Biol Toxicol. 2023;39(6):2793–819. https://doi.org/10.1007/s10565-023-09803-y

15. Xu D, Ham AG, Tivis RD, et al. MSBIS: A multi-step biomedical informatics screening approach for identifying medications that mitigate the risks of metoclopramide-induced tardive dyskinesia. EBioMedicine. 2017;26:132–7. https://doi.org/10.1016/j.ebiom.2017.11.015

16. Toriumi S, Shimokawa K, Yamamoto M, Uesawa Y. Development of a medication-related osteonecrosis of the jaw prediction model using the FDA adverse event reporting system database and machine learning. Pharmaceuticals (Basel). 2025;18(3):423. https://doi.org/10.3390/ph18030423

17. Chen YH, Shih YT, Chien CS, Tsai CS. Predicting adverse drug effects: A heterogeneous graph convolution network with a multi-layer perceptron approach. PLoS One. 2022;17(12):e0266435. https://doi.org/10.1371/journal.pone.0266435

18. Kuhn M, Letunic I, Jensen LJ, Bork P. The SIDER database of drugs and side effects. Nucleic Acids Res. 2016;44(D1):D1075–9. https://doi.org/10.1093/nar/gkv1075

19. Kuhn M, Campillos M, Letunic I, Jensen LJ, Bork P. A side effect resource to capture phenotypic effects of drugs. Mol Syst Biol. 2010;6:343. https://doi.org/10.1038/msb.2009.98

20. Brown EG, Wood L, Wood S. The medical dictionary for regulatory activities (MedDRA). Drug Saf. 1999;20(2):109–17. https://doi.org/10.2165/00002018-199920020-00002

21. Jamu IM, Okamoto H. Recent advances in understanding adverse effects associated with drugs targeting the serotonin receptor, 5-HT GPCR. Frontiers in Global Women’s Health. 2022;3:1012463. https://doi.org/10.3389/fgwh.2022.1012463

22. Kaito S, Sato K, Sasaki T, et al. Association between drug-induced heart failure and CYP1A1, CYP1B1, and CYP3A4 inhibition: Utility of cytochrome P450 inhibition assay for evaluating cardiotoxicity of drug candidates. Toxicol In Vitro. 2025;107:106075. https://doi.org/10.1016/j.tiv.2025.106075

23. Ivanov SM, Lagunin AA, Rudik AV, et al. ADVERPred — Web service for prediction of adverse effects of drugs. J Chem Inf Model. 2018;58(1):8–11. https://doi.org/10.1021/acs.jcim.7b00568

24. Tanaka Y, Chen HY, Belloni P, et al. OnSIDES database: Extracting adverse drug events from drug labels using natural language processing models. Med. 2025;6(7):100642. https://doi.org/10.1016/j.medj.2025.100642

25. Tatonetti NP, Ye PP, Daneshjou R, Altman RB. Data-driven prediction of drug effects and interactions. Sci Transl Med. 2012;4(125):125ra31. https://doi.org/10.1126/scitranslmed.3003377

26. Yu Z, Wu Z, Li W, et al. MetaADEDB 2.0: A comprehensive database on adverse drug events. Bioinformatics. 2021;37(15):2221–2. https://doi.org/10.1093/bioinformatics/btaa973

27. Galletti C, Bota PM, Oliva B, Fernandez-Fuentes N. Mining drug-target and drug-adverse drug reaction databases to identify target-adverse drug reaction relationships. Database (Oxford). 2021;2021:baab068. https://doi.org/10.1093/database/baab068

28. Cheng F, Li W, Wang X, et al. Adverse drug events: Database construction and in silico prediction. J Chem Inf Model. 2013;53(4):744–52. https://doi.org/10.1021/ci4000079

29. Yu Z, Wu Z, Li W, et al. ADENet: A novel network-based inference method for prediction of drug adverse events. Brief Bioinform. 2022;23(2):bbab580. https://doi.org/10.1093/bib/bbab580

30. Cheng F, Li W, Wu Z, et al. Prediction of polypharmacological profiles of drugs by the integration of chemical, side effect, and therapeutic space. J Chem Inf Model. 2013;53(4):753–62. https://doi.org/10.1021/ci400010x

31. Huang LH, He QS, Liu K, et al. ADReCS-Target: Target profiles for aiding drug safety research and application. Nucleic Acids Res. 2018;46(D1):D911–7. https://doi.org/10.1093/nar/gkx899

32. Ji ZL, Han LY, Yap CW, et al. Drug Adverse Reaction Target Database (DART): Proteins related to adverse drug reactions. Drug Saf. 2003;26(10):685–90. https://doi.org/10.2165/00002018-200326100-00002

33. Zhang JX, Huang WJ, Zeng JH, et al. DITOP: Drug-induced toxicity related protein database. Bioinformatics. 2007;23(13):1710–2. https://doi.org/10.1093/bioinformatics/btm139

34. Cai MC, Xu Q, Pan YJ, et al. ADReCS: An ontology database for aiding standardization and hierarchical classification of adverse drug reaction terms. Nucleic Acids Res. 2015;43(Database issue):D907–13. https://doi.org/10.1093/nar/gku1066

35. Xiang YP, Liu K, Cheng XY, et al. Rapid assessment of adverse drug reactions by statistical solution of Gene Association Network. IEEE/ ACM Trans Comput Biol Bioinform. 2015;12(4):844–50. https://doi.org/10.1109/TCBB.2014.2338292

36. Liu K, Ding RF, Xu H, et al. Broad-spectrum profiling of drug safety via learning complex network. Clin Pharmacol Ther. 2020;107(6):1373–82. https://doi.org/10.1002/cpt.1750

37. Li S, Zhang L, Wang L, et al. BiMPADR: A deep learning framework for predicting adverse drug reactions in new drugs. Molecules. 2024;29(8):1784. https://doi.org/10.3390/molecules29081784

38. Kuhn M, Al Banchaabouchi M, Campillos M, et al. Systematic identification of proteins that elicit drug side effects. Mol Syst Biol. 2013;9:663. https://doi.org/10.1038/msb.2013.10

39. Galletti C, Aguirre-Plans J, Oliva B, Fernandez-Fuentes N. Prediction of adverse drug reaction linked to protein targets using network-based information and machine learning. Front Bioinform. 2022;2:906644. https://doi.org/10.3389/fbinf.2022.906644

40. Savosina P, Druzhilovskiy D, Filimonov D, Poroikov V. WWAD: the most comprehensive small molecule World Wide Approved Drug database of therapeutics. Front Pharmacol. 2024;15:1473279. https://doi.org/10.3389/fphar.2024.1473279

41. Савосина П, Дружиловский Д, Филимонов Д, Поройков В. Большие данные национальных реестров лекарственных средств. Biomedical Chemistry: Research and Methods. 2024;7(3):e00230. https://doi.org/10.18097/BMCRM00230

42. Suchonwanit P, Thammarucha S, Leerunyakul K. Minoxidil and its use in hair disorders: A review. Drug Des Devel Ther. 2019;13:2777–86. https://doi.org/10.2147/DDDT.S214907

43. Leaman R, Islamaj R, Adams V, et al. Chemical identification and indexing in full-text articles: An overview of the NLM-Chem track at BioCreative VII. Database (Oxford). 2023;baad005. https://doi.org/10.1093/database/baad005