هوش مصنوعی داروهای جدیدی را بر اساس ساختارهای پروتئینی طراحی می کند


یک فرآیند کامپیوتری جدید که توسط شیمیدانان در ETH زوریخ ایجاد شده است، تولید مواد دارویی فعال را به سرعت و به راحتی بر اساس سطح سه بعدی پروتئین ممکن می سازد. فرآیند جدید می تواند تحقیقات دارویی را متحول کند.

گیسبرت اشنایدر، پروفسور دپارتمان شیمی و علوم زیستی کاربردی ETH زوریخ می گوید: «این یک پیشرفت واقعی برای کشف دارو است. او به همراه دانشجوی دکترای سابق خود، کنت آتز، الگوریتمی را توسعه داده است که از هوش مصنوعی (AI) برای طراحی مواد فعال دارویی جدید استفاده می کند. برای هر پروتئینی با شکل سه بعدی شناخته شده، الگوریتم طرح‌هایی را برای مولکول‌های دارویی بالقوه ایجاد می‌کند که فعالیت پروتئین را افزایش یا مهار می‌کنند. سپس شیمیدان ها می توانند این مولکول ها را در آزمایشگاه سنتز و آزمایش کنند.

تمام چیزی که الگوریتم نیاز دارد، ساختار سطح سه بعدی یک پروتئین است. بر این اساس، مولکول هایی را طراحی می کند که به طور خاص به پروتئین مطابق با اصل قفل و کلید متصل می شوند تا بتوانند با آن تعامل داشته باشند.

از همان ابتدا عوارض جانبی را حذف کنید

روش جدید بر اساس تلاش‌های چند دهه شیمیدانان برای روشن کردن ساختار سه بعدی پروتئین‌ها و استفاده از رایانه‌ها برای جستجوی مولکول‌های دارویی بالقوه مناسب است. تا به حال، این اغلب مستلزم کار دستی پر زحمت بوده است، و در بسیاری از موارد جستجو مولکول هایی را به دست می دهد که سنتز آنها بسیار دشوار یا غیرممکن بود. اگر محققان در سال‌های اخیر اصلاً از هوش مصنوعی در این فرآیند استفاده کردند، در درجه اول برای بهبود مولکول‌های موجود بود.

اکنون، بدون دخالت انسان، یک هوش مصنوعی مولد قادر است مولکول‌های دارویی را از ابتدا توسعه دهد که با ساختار پروتئینی مطابقت دارند. این فرآیند جدید پیشگامانه از همان ابتدا تضمین می کند که مولکول ها می توانند به صورت شیمیایی سنتز شوند. علاوه بر این، الگوریتم تنها مولکول‌هایی را پیشنهاد می‌کند که با پروتئین مشخص شده در محل مورد نظر و تقریباً با هیچ پروتئین دیگری تعامل دارند. آتز می‌گوید: «این بدان معناست که هنگام طراحی یک مولکول دارویی، می‌توانیم مطمئن باشیم که کمترین عوارض جانبی ممکن را دارد.

برای ایجاد این الگوریتم، دانشمندان یک مدل هوش مصنوعی با اطلاعاتی از صدها هزار تعامل شناخته شده بین مولکول های شیمیایی و ساختارهای پروتئینی سه بعدی مربوطه را آموزش دادند.

تست های موفقیت آمیز با صنعت

به همراه محققان شرکت داروسازی Roche و سایر شرکای همکاری، تیم ETH فرآیند جدید را آزمایش کرد و نشان داد که چه توانایی هایی دارد. دانشمندان به دنبال مولکول‌هایی بودند که با پروتئین‌های کلاس PPAR تعامل دارند – پروتئین‌هایی که متابولیسم قند و اسیدهای چرب را در بدن تنظیم می‌کنند. چندین داروی دیابت که امروزه استفاده می شود، فعالیت PPAR ها را افزایش می دهد که باعث می شود سلول ها قند بیشتری از خون جذب کنند و سطح قند خون کاهش یابد.

هوش مصنوعی بلافاصله مولکول‌های جدیدی را طراحی کرد که فعالیت PPARها را نیز مانند داروهایی که در حال حاضر در دسترس هستند، افزایش می‌دهند، اما بدون فرآیند طولانی کشف. پس از اینکه محققان ETH این مولکول‌ها را در آزمایشگاه تولید کردند، همکاران در Roche آنها را تحت آزمایش‌های مختلفی قرار دادند. اینها نشان داد که مواد جدید از همان ابتدا پایدار و غیرسمی هستند.

محققان اکنون این مولکول ها را بیشتر دنبال نمی کنند تا داروهای مبتنی بر آنها را به بازار بیاورند. در عوض، هدف مولکول‌ها این بود که فرآیند جدید هوش مصنوعی را تحت یک آزمایش دقیق اولیه قرار دهند. اشنایدر می گوید، با این حال، این الگوریتم در حال حاضر برای مطالعات مشابه در ETH زوریخ و در صنعت استفاده می شود. یکی از این پروژه ها با بیمارستان کودکان زوریخ برای درمان مدولوبلاستوما، شایع ترین تومورهای بدخیم مغزی در کودکان است. علاوه بر این، محققان این الگوریتم و نرم‌افزار آن را منتشر کرده‌اند تا محققان در سراسر جهان اکنون بتوانند از آنها برای پروژه‌های خود استفاده کنند.

اشنایدر می گوید: «کار ما دنیای پروتئین ها را برای هوش مصنوعی مولد در تحقیقات دارویی قابل دسترس کرده است. “الگوریتم جدید پتانسیل بسیار زیادی دارد.” این امر به ویژه برای تمام پروتئین های مرتبط با پزشکی در بدن انسان که با هیچ ترکیب شیمیایی شناخته شده ای تعامل ندارند، صادق است.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]