کد خبر: ۲۴۲۰۰
۱۵ ارديبهشت ۱۴۰۲ - ۱۴:۵۵
پژوهشگران، آینده درخشانی را برای استفاده از هوش مصنوعی در کشف داروهای جدید پیش بینی می کنند.
به گزارش جدید پرس:

کارشناسان آینده درخشانی را در استفاده مکمل هوش مصنوعی و کشف داروی مبتنی بر ساختار متصور هستند.

دو نوع عمده طراحی دارو وجود دارد؛ مورد اول به عنوان طرح دارویی مبتنی بر لیگانید و دوم به عنوان طراحی دارو بر اساس ساختار نامیده می‌شود.

طراحی دارو‌های مبتنی بر لیگانید (طراحی غیرمستقیم دارو) متکی بر دانش سایر مولکول‌ها است که به هدف بیولوژیکی مورد علاقه متصل می‌شوند. این مولکول‌های دیگر ممکن است برای به دست آوردن یک مدل فارماکوفور که حداقل ویژگی‌های ساختاری لازم را برای تعیین یک مولکول برای اتصال به هدف تعریف می‌کند، مورد استفاده قرار گیرد.

طراحی دارو بر اساس ساختار (طراحی مستقیم دارو) متکی بر دانش ساختار سه بعدی هدف بیولوژیکی است که از طریق روش‌هایی مانند کریستالوگرافی اشعه ایکس یا طیف سنجی NMR به دست می‌آید. اگر ساختار آزمایشی یک هدف در دسترس نباشد، ممکن است بتوان یک مدل همولوژیکی از هدف را بر اساس ساختار تجربی پروتئین مرتبط ایجاد کرد.

محققان توضیح می‌دهند چگونه روش‌های محاسباتی با پیش‌بینی اینکه کدام مولکول‌های دارو به احتمال زیاد به گیرنده هدف متصل می‌شوند، کشف دارو را آسان‌تر می‌کنند. رویکرد‌های مبتنی بر ساختار و هوش مصنوعی یکدیگر را تکمیل می‌کنند و می‌توانند با صرفه جویی در زمان و هزینه، نتایج بهتری در مقایسه با روش‌های سنتی آزمون و خطا به همراه داشته باشند.

هوش مصنوعی می‌تواند شعر و مقاله تولید کند، شخصیت‌های بازی پاسخگو بوجود آورد، حجم وسیعی از داده‌ها را تجزیه و تحلیل کند و الگو‌هایی را که چشم انسان ممکن است از دست بدهد، شناسایی کند. این فناوری همچنین می‌تواند به کشف دارو که فرآیند آن در روش‌های سنتی زمان بر و پرهزینه است، کمک کند.

کارشناسان نوید بزرگی را در رویکرد تکمیلی با استفاده از هوش مصنوعی و کشف داروی مبتنی بر ساختار متصور هستند. کشف دارو مبتنی بر ساختار یک روش محاسباتی است که بر دانش ساختار‌های سه بعدی اهداف بیولوژیکی متکی است.

وسوولود سوا کاتریچ، دانشیار زیست شناسی و شیمی کمّی و محاسباتی در کالج ادبیات، هنر و علوم دورنسایف و مرکز علوم زیستی همگرا در دانشگاه کالیفرنیای جنوبی و از مدیران مرکز فناوری‌های جدید در کشف و توسعه دارو‌ها (CNT ۳ D)، نویسنده اصلی مقاله بازبینی شده در این زمینه است که در نشریه نیچر منتشر شده است. این مقاله توضیح می‌دهد که چگونه رویکرد‌های محاسباتی کشف دارو را آسانتر می‌کند.

آیا ما در آستانه پیشرفت‌های بزرگ در کشف دارو هستیم؟ در سال‌های گذشته تغییری عظیم در کشف محاسباتی دارو رخ داده است؛ انفجار دسترسی به داده‌ها در ساختار‌های پروتئین انسانی و مولکول‌هایی که آن‌ها را به هم متصل می‌کند؛ کتابخانه‌های عظیم شیمیایی از مولکول‌های شبه دارو، نیروی محاسباتی تقریبا نامحدود و روش‌های محاسباتی جدید و موثرتر.

جدیدترین نکته هیجان انگیز در مورد کشف دارو مبتنی بر هوش مصنوعی است، اما آنچه قدرتمندتر است، ترکیبی از هوش مصنوعی و کشف دارو مبتنی بر ساختار است که هر دو رویکرد مکمل هم افزای یکدیگر هستند.

کشف دارو در گذشته چگونه بوده است؟

روش‌های سنتی کشف دارو عمدتاً یک سرمایه گذاری آزمون و خطا است. این روش‌ها پرهزینه و وقت گیر است و به طور متوسط ۱۵ سال زمان و ۲ میلیارد دلار هزینه نیاز دارد که در هر مرحله میزان اتلاف سرمایه بالا است. بیشترین فرصت صرفه جویی در زمان و هزینه، در مراحل اولیه کشف دارو و مرحله بالینی است.

در مرحله اولیه چه اتفاقی می‌افتد؟

بگذارید از مثال قفل و کلید استفاده کنیم. گیرنده هدف قفل است و دارویی که این گیرنده را مسدود یا فعال می‌کند، کلید قفل است. (البته، در زیست شناسی هیچ چیز سیاه یا سفید نیست، بنابراین برخی از کلید‌ها بهتر از سایرین قفل را باز می‌کنند و قفل نیز کمی چکش خوار است.)

لیپیتور که پرفروش‌ترین داروی تمام دوران است، آنزیمی را هدف قرار می‌دهد که در سنتز کلسترول در کبد نقش دارد. یک گیرنده روی آنزیم قفل است. لیپیتور کلیدی است که در قفل قرار می‌گیرد و فعالیت آنزیم را مسدود می‌کند و باعث ایجاد یک سری رویداد‌ها می‌شود که سطح کلسترول بد خون را کاهش می‌دهد.

رویکرد‌های محاسباتی به ما این امکان را می‌دهد که میلیارد‌ها و حتی تریلیون‌ها کلید مجازی را به‌صورت دیجیتالی مدل‌سازی و پیش‌بینی کنیم کدام یک از آن‌ها احتمالاً کلید‌های مناسبی هستند. تنها چند ده مورد از بهترین کلید‌ها به صورت شیمیایی سنتز و آزمایش می‌شوند.

این شیوه بسیار کارآمدتر به نظر می‌رسد

اگر این مدل خوب باشد، این فرآیند نتایج بهتری در مقایسه با شیوه سنتی آزمون و خطای میلیون‌ها کلید تصادفی دارد. این امر الزامات فیزیکی برای سنتز ترکیبات و آزمایش آن‌ها را هزاران بار کاهش می‌دهد، این روش همانگونه که نشان داده شده است، اغلب به نتایج بهتری می‌رسد.

آیا می‌توانید تفاوت بین دو رویکرد محاسباتی اصلی مبتنی بر ساختار و مبتنی بر هوش مصنوعی را توضیح دهید؟
رویکرد مبتنی بر ساختار از درک دقیق ما از ساختار قفل بهره می‌برد. اگر ساختار فیزیکی و سه بعدی قفل مشخص باشد، می‌توانیم از روش‌های مجازی برای پیش‌بینی ساختار یک کلید مطابق با قفل استفاده کنیم.

یادگیری ماشینی یا رویکرد مبتنی بر هوش مصنوعی هنگامی بهترین کارکرد را دارد که بسیاری از کلید‌ها از قبل برای قفل مدنظر یا سایر قفل‌های مشابه شناخته شده باشند. هوش مصنوعی می‌تواند ترکیبی از قفل‌ها و کلید‌های مشابه را بررسی و کلید‌هایی را که به احتمال زیاد با هدف مورد نظر ما مطابقت دارد، پیش بینی کند. این شیوه نیازی به دانش دقیق ساختار قفل ندارد، اما به مجموعه بزرگی از کلید‌های مربوطه نیاز است.

بنابراین، رویکرد‌های مبتنی بر ساختار و مبتنی بر هوش مصنوعی در موارد مختلف قابل اجرا و مکمل یکدیگر هستند.

آیا محدودیت محاسباتی برای این فرآیند وجود دارد؟

هنگام آزمایش میلیارد‌ها و تریلیون‌ها ترکیب مجازی در رایانه‌های ابری، هزینه‌های محاسباتی می‌تواند به یک تنگنا تبدیل شوند. فناوری غربالگری ماژولار در مقیاس گیگا به ما امکان می‌دهد تا با پیش‌بینی مجازی بخش‌های خوب کلید، آن‌ها را با هم ترکیب کنیم و به نوعی کلید را از چندین قسمت بسازیم، سرعت را افزایش و هزینه را کاهش دهیم. برای یک کتابخانه دارای ۱۰ میلیارد ترکیب، این روش هزینه‌های محاسباتی را از میلیون‌ها دلار به صد‌ها دلار کاهش می‌دهد و امکان افزایش مقیاس به تریلیون‌ها ترکیب را فراهم می‌کند.

 

پیشنهاد سردبیر
پربازدیدترین ها