محققان از هوش مصنوعی برای طراحی ترکیبات ضد ویروسی بالقوه استفاده می کنند

ویرایش شده توسط Swati Mestri، بررسی توسط اندرو زینین

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

درمان عفونت‌های ویروسی می‌تواند دشوار باشد، زیرا ویروس‌ها به سرعت تکامل می‌یابند و به آن‌ها اجازه می‌دهد در برابر داروهایی که برای حمله مستقیم به پروتئین‌های ویروسی طراحی شده‌اند مقاومت ایجاد کنند.

یک جایگزین، درمان هدایت‌شده میزبان (HDT) است، یک رویکرد پزشکی نوظهور که به جای حمله مستقیم به پاتوژن، عفونت‌ها را با هدف قرار دادن مسیرهای بیولوژیکی خود میزبان و پروتئین‌های مرتبط درمان می‌کند.

محققان دانشگاه کره به سرپرستی پروفسور کوانگ یئون هوانگ از کالج علوم زیستی و بیوتکنولوژی و دانشیار هونگ رای کیم از کالج پزشکی، استراتژی هدایت‌شده با هوش مصنوعی (AI) را برای کشف مولکول‌هایی توسعه داده‌اند که دی‌اکسی هیپوسین سنتاز (DHPS) را مهار می‌کنند، یک آنزیم انسانی که از بازه‌سازی eIF پشتیبانی می‌کند. از ویروس ها

برخلاف بسیاری از روش‌های کشف داروی هوش مصنوعی که فقط به صورت محاسباتی ارزیابی می‌شوند، محققان به‌طور تجربی مولکول‌های تولید شده توسط هوش مصنوعی را آزمایش کردند.

این مطالعه به صورت آنلاین در مجله Cheminformatics در 5 اوت 2026 منتشر شد.

هوانگ توضیح داد: "DHPS در فعال کردن فاکتور شروع ترجمه یوکاریوتی 5A یا eIF5A از طریق یک اصلاح منحصر به فرد به نام hypusination نقش دارد. این فرآیند برای تکثیر طیف گسترده ای از ویروس ها از جمله HIV-1 و SARS-CoV-2 مهم است و DHPS را به یک هدف بالقوه برای کشف داروی ضد ویروسی هدایت شده توسط میزبان تبدیل می کند."

محققان به طور سیستماتیک 13 مدل یادگیری ماشینی را برای پیش‌بینی امتیازات اتصال مولکولی و 10 روش برای تولید مولکول‌های جدید، با استفاده از DHPS به‌عنوان یک هدف مشترک، محک زدند. انباشته کردن خارج از تاشو (OOF-Stacking) قوی‌ترین عملکرد کلی را در بین مدل‌های پیش‌بینی آزمایش‌شده به دست آورد، در حالی که RL-Design بالاترین نرخ ضربه پیش‌بینی‌شده 92.02 درصد را در بین روش‌های تولید آزمایش‌شده به دست آورد، و 98.0 درصد از مولکول‌های رتبه‌بندی شده آن از آستانه استاندارد مشابهت دارویی عبور کردند.

برای ارزیابی تجربی مولکول های تولید شده توسط هوش مصنوعی، محققان شش قطعه، ترکیبات کوچک 140 تا 190 دالتون را انتخاب کردند: سه پیش بینی فعال و سه پیش بینی غیر فعال. هر سه قطعه پیش‌بینی‌شده فعال DHPS را مهار کردند، و هیچ‌کدام از قطعات پیش‌بینی‌شده-غیرفعال این کار را انجام ندادند، که توافق کامل بین پیش‌بینی‌های محاسباتی و نتایج تجربی را نشان می‌دهد. دو تا از قطعات فعال مقادیر IC50 قابل اندازه گیری 31.2 و 49.1 میکرومولار، در محدوده معمولی برای بازدید قطعه اولیه را دادند.

یک ساختار کریستالی پرتو ایکس نیز شواهدی ساختاری برای اتصال یک ترکیب تولید شده با هوش مصنوعی در ورودی بستر DHPS و جیب اتصال NAD ارائه می‌کند.

"معروف ترین بازدارنده DHPS از نزدیک یک مولکول سلولی طبیعی را تقلید می کند، که خطر فعالیت خارج از هدف را به همراه دارد. ضربه های ما قطعاتی هستند که بر روی داربست هایی ساخته شده اند که به بازدارنده شناخته شده ربطی ندارند. در اکتشاف مبتنی بر قطعه، دقیقا از اینجا شروع می شود: آنها کوچک هستند و به طور موثر به اندازه خود متصل می شوند، اما این ترکیبات مولکولی را به ترکیبات بیشتری تبدیل می کند. کیم خاطرنشان کرد: در مراحل اولیه به جای کاندیدای مواد مخدر، ضربه می خورد.

"مطالعات بیشتری برای ایجاد مکانیسم های بازداری، گزینش پذیری، فعالیت سلولی، سمیت و عملکرد آنها در مدل های حیوانی مورد نیاز خواهد بود."

با این وجود، این کار یک مسیر تکرارپذیر از طراحی مولکولی مبتنی بر هوش مصنوعی تا اعتبارسنجی تجربی را نشان می‌دهد.

فراتر از DHPS، خط لوله آزادانه در دسترس می تواند برای سایر اهداف بیماری اعمال شود. نیازمندی‌های محاسباتی متوسط ​​آن همچنین ممکن است کشف دارویی مبتنی بر هوش مصنوعی را برای آزمایشگاه‌هایی با منابع محاسباتی محدود قابل دسترس‌تر کند.

به طور کلی، این مطالعه یک اثبات اولیه برای کشف داروی ضد ویروسی هدایت‌شده توسط هوش مصنوعی ارائه می‌کند و نشان می‌دهد که چگونه پیش‌بینی‌های محاسباتی را می‌توان به طور سیستماتیک محک زد و سپس با تولید مولکولی و آزمایش‌های آزمایشگاهی برای شناسایی و اعتبارسنجی بازدیدهای بازدارنده در مراحل اولیه ترکیب کرد.

Hongchul Shin و همکاران، طراحی De Novo با هدایت هوش مصنوعی مهارکننده‌های DHPS، مجله Cheminformatics (2026). DOI: 10.1186/s13321-026-01277-4

ارائه شده توسط کالج پزشکی دانشگاه کره

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →