فرآیند غربالگری دارویی مبتنی بر هوش مصنوعی می تواند توسعه داروهای نجات دهنده زندگی را سرعت بخشد



توسعه داروهای نجات دهنده می تواند میلیاردها دلار و دهه ها زمان ببرد، اما محققان دانشگاه فلوریدا مرکزی قصد دارند با فرآیند غربالگری دارویی جدید مبتنی بر هوش مصنوعی که توسعه داده اند، این روند را تسریع بخشند.

محققان با استفاده از روشی که برهمکنش دارو و پروتئین هدف را با استفاده از تکنیک‌های پردازش زبان طبیعی مدل‌سازی می‌کند، به دقت ۹۷ درصدی در شناسایی نامزدهای دارویی امیدوارکننده دست یافتند. نتایج اخیراً در مجله منتشر شده است جلسات توجیهی در بیوانفورماتیک.

این تکنیک تعاملات دارو و پروتئین را از طریق کلمات برای هر محل اتصال پروتئین نشان می دهد و از یادگیری عمیق برای استخراج ویژگی هایی استفاده می کند که بر تعاملات پیچیده بین این دو حاکم است.

با در دسترس تر شدن هوش مصنوعی، این به چیزی تبدیل شده است که هوش مصنوعی می تواند با آن مقابله کند. شما می توانید انواع مختلفی از پروتئین ها و تداخلات دارویی را امتحان کنید و دریابید که کدامیک بیشتر به هم متصل می شوند یا خیر.”


اوزلم گاریبای، نویسنده مشترک مطالعه، استادیار، گروه مهندسی صنایع و سیستم های مدیریت UCF

مدلی که آنها توسعه داده اند، معروف به AttentionSiteDTI، اولین مدلی است که با استفاده از زبان سایت های اتصال پروتئین قابل تفسیر است.

این کار مهم است زیرا به طراحان دارو کمک می‌کند تا مکان‌های اتصال پروتئینی حیاتی را همراه با خواص عملکردی آن‌ها شناسایی کنند، که برای تعیین مؤثر بودن یک دارو کلیدی است.

محققان با ابداع یک مکانیسم توجه به خود به این دستاورد دست یافتند که باعث می‌شود مدل یاد بگیرد کدام بخش از پروتئین با ترکیبات دارویی تعامل دارد و در عین حال به عملکرد پیش‌بینی پیشرفته دست می‌یابد.

توانایی خودتوجهی این مکانیسم با تمرکز انتخابی بر مرتبط‌ترین بخش‌های پروتئین کار می‌کند.

محققان مدل خود را با استفاده از آزمایش‌های آزمایشگاهی که برهمکنش‌های پیوندی بین ترکیبات و پروتئین‌ها را اندازه‌گیری می‌کردند اعتبارسنجی کردند و سپس نتایج را با نتایجی که مدل آنها به‌صورت محاسباتی پیش‌بینی کرده بود، مقایسه کردند. از آنجایی که داروهای درمان کووید همچنان مورد توجه هستند، آزمایش‌ها همچنین شامل آزمایش و تأیید ترکیبات دارویی می‌شدند که به پروتئین اسپیک ویروس SARS-CoV2 متصل می‌شدند.

گاری‌بای می‌گوید که توافق بالا بین نتایج آزمایشگاهی و پیش‌بینی‌های محاسباتی، پتانسیل AttentionSiteDTI را برای پیش‌آزمایی ترکیبات دارویی بالقوه مؤثر و تسریع اکتشاف داروهای جدید و استفاده مجدد از داروهای موجود را نشان می‌دهد.

Sudipta Seal، یکی از نویسندگان مطالعه و رئیس دپارتمان علوم و مهندسی مواد UCF می‌گوید: «این تحقیق با تأثیر بالا تنها به دلیل همکاری میان رشته‌ای بین مهندسی مواد و AI/ML و دانشمندان رایانه برای رسیدگی به کشفیات مرتبط با کووید ممکن بود.»

مهدی یزدانی جهرمی، دانشجوی دکترا در کالج مهندسی و علوم کامپیوتر UCF و نویسنده اصلی این مطالعه، می‌گوید این کار مسیر جدیدی را در پیش غربالگری دارو معرفی می‌کند.

یزدانی جهرمی می‌گوید: «این محققان را قادر می‌سازد تا از هوش مصنوعی برای شناسایی دقیق‌تر داروها برای پاسخ سریع به بیماری‌های جدید استفاده کنند. این روش همچنین به محققان این امکان را می‌دهد تا بهترین محل اتصال پروتئین ویروس را برای تمرکز در طراحی دارو شناسایی کنند.»

او می گوید: «گام بعدی تحقیقات ما طراحی داروهای جدید با استفاده از قدرت هوش مصنوعی است. این به طور طبیعی می تواند گام بعدی برای آماده شدن برای یک بیماری همه گیر باشد.

این تحقیق توسط برنامه سرمایه گذاری داخلی هوش مصنوعی و داده های بزرگ UCF تامین شد.

همکار نویسندگان این مطالعه شامل نیلوفر یوسفی، دانشیار پژوهشی فوق دکتری در آزمایشگاه سیستم‌های تطبیقی ​​پیچیده UCF در دانشکده مهندسی و علوم کامپیوتر UCF بود. آیدا طیبی، دانشجوی دکتری در گروه مهندسی صنایع و سیستم های مدیریت UCF. Elayaraja Kolanthai، دانشیار پژوهشی فوق دکتری در گروه علوم و مهندسی مواد UCF. و کریگ نیل، دانشیار پژوهشی فوق دکتری در دپارتمان علوم و مهندسی مواد UCF.

گریبای دکترای خود را در رشته علوم کامپیوتر از UCF دریافت کرد و در سال 2020 به بخش مهندسی صنایع و سیستم های مدیریت UCF، بخشی از کالج مهندسی و علوم کامپیوتر پیوست.

منبع:

دانشگاه فلوریدا مرکزی

مرجع مجله:



منبع