اثر انگشت مولکولی تولید شده توسط هوش مصنوعی به شناسایی ترکیبات موجود با پتانسیل درمانی کمک می کند

ویرایش شده توسط گابی کلارک، بررسی توسط رابرت ایگان

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

محققان مراقبت‌های بهداشتی مدت‌هاست به دنبال استفاده از قدرت محاسباتی برای طراحی مولکول‌هایی هستند که به گیرنده‌های خاصی متصل می‌شوند و می‌توانند به عنوان درمان هدفمند برای بیماری‌ها مورد استفاده قرار گیرند. با این حال، حتی با وجود پیچیدگی روزافزون هوش مصنوعی، این وعده فناوری هنوز محقق نشده است.

جونمی وانگ، استاد علوم دارویی در دانشکده داروسازی، از منظری متفاوت به این مشکل می پردازد.

وانگ در مقاله ای که در 28 اکتبر در مجله Science Advances منتشر شد، کشف سرب مولد طیف کامل (FSGLD) را معرفی کرد، یک چارچوب جدید، عملی و قابل استفاده مجدد که از هوش مصنوعی مولد برای غربالگری ترکیبات موجود با پتانسیل توسعه درمانی بهره می برد.

توسعه داروها با استفاده از هوش مصنوعی جدید نیست، اما پر زحمت است و اغلب به بن بست می انجامد. وانگ گفت: «اگر یک مولکول کاملا جدید تولید کنید، این در واقع یک محدودیت است. بسیاری از ترکیبات را نمی توان سنتز کرد و این یک مسئله بزرگ است.

وانگ با اشاره به رمزگذاری دیجیتالی ویژگی های شیمیایی کلیدی یک مولکول گفت: ما از یک نمایش ساده تر از یک مولکول استفاده می کنیم: اثر انگشت مولکولی. برای کشف الگوهایی در اثر انگشت که ممکن است به خواص مفید اشاره کند، آزمایشگاه وانگ از یک شبکه متخاصم مولد به نام DRUG-GAN استفاده کرد. این سیستم از دو جزء ساخته شده است: یک ژنراتور که اثر انگشت های جعلی ایجاد می کند و دیگری تشخیص دهنده که تلاش می کند تقلبی ها را از اثر انگشت مولکول های واقعی تشخیص دهد.

این رفت و برگشت آموزش GAN است. با گذشت زمان، ژنراتور یاد می‌گیرد که اثر انگشت‌هایی تولید کند که شباهت بیشتری به مولکول‌های واقعی داشته باشد. سپس محققان پایگاه های داده شیمیایی را برای ترکیبات موجود با اثر انگشت مشابه جستجو می کنند. الگوی تولید شده توسط هوش مصنوعی منجر به کشف مولکول های واقعی می شود که محققان می توانند آنها را آزمایش کنند - بدون نیاز به سنتز یک مولکول جدید.

در این کار، آزمایشگاه برای ترکیبات خاص هدف یا مولکول‌هایی که به گیرنده‌ای مرتبط با یک بیماری یا شرایط خاص متصل شده و روی آن اثر می‌کنند، غربالگری کرد.

آنها ترکیباتی را که به دو مورد از رایج‌ترین گیرنده‌های دارویی مورد هدف مرتبط هستند، غربالگری کردند: گیرنده‌های جفت شده با پروتئین G (GPCRs) و پروتئین کیناز.

وانگ گفت: ما شاهد نتایج خوبی بودیم. این تیم ترکیبات جدیدی را شناسایی کردند که با مولکول های مورد استفاده برای آموزش GAN متفاوت بودند، اما همچنان به گیرنده های هدف متصل می شدند.

وعده FSGLD فراتر از این دو گیرنده است. بیشتر ارزش آن در انعطاف پذیری آن نهفته است.

"این یک چارچوب قابل استفاده مجدد است که هوش مصنوعی مولد را با کشف ترکیبات عملی مرتبط می کند."

آزمایشگاه وانگ از این انعطاف پذیری برای کشف دو رویکرد مکمل استفاده می کند. یکی به نام ADSeqGAN، ساختارهای مولکولی جدیدی را با یادگیری از توصیفات مبتنی بر متن مولکول‌ها، بدون نیاز به ساختار سه‌بعدی گیرنده ایجاد می‌کند. دیگری، که در حال حاضر در حال توسعه است و DRUG-FF نام دارد، از شکل سه بعدی یک گیرنده و/یا یک مولکول متصل برای هدایت طراحی ترکیبات جدیدی که می توانند با محل اتصال مناسب باشند، استفاده می کند.

بیهونگ جی و همکاران، خط لوله کشف سرب مولد با طیف کامل (FSGLD) از طریق DRUG-GAN: یک روش چند مقیاسی برای تولید کتابخانه ترکیبی مانند دارو/هدف خاص، Science Advances (2026). DOI: 10.1126/sciadv.aei5257

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →