هوش مصنوعی 4.6 میلیون ترکیب را در چند ساعت اسکن می کند تا موقعیت هیدروژن را در مولکول های دارو مانند پیش بینی کند.

ویرایش شده توسط Swati Mestri، بررسی توسط Robert Egan

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 دانشگاه نیویورک یک مدل هوش مصنوعی را آموزش داده اند تا الگوهای شیمیایی مرتبط با پایداری در مولکول های دارو مانند را بیاموزد و به طور دقیق پیش بینی کند که اتم های هیدروژن آنها باید در کجا قرار گیرند.

تحقیقات آنها که در مجله علوم شیمیایی منتشر شده است، به یک چالش طولانی مدت در طراحی مولکولی و کشف دارو می پردازد: چگونگی تعیین سریع و مطمئن شکل پایدار مولکول هایی که فرمول مولکولی مشترک دارند اما به راحتی به اشکال مختلف تبدیل می شوند.

بسیاری از مولکول‌های دارو مانند می‌توانند در دو یا چند شکل نزدیک به هم به نام توتومر وجود داشته باشند. یک اتم هیدروژن از یک مکان به مکان دیگر حرکت می کند و با تغییر در الگوی پیوند همراه است.

Yingkai Zhang، استاد شیمی در NYU و نویسنده ارشد این مطالعه توضیح داد: «اگرچه ممکن است این یک تغییر کوچک به نظر برسد، توتومرهای مختلف یک مولکول می‌توانند نحوه تعامل یک مولکول با یک هدف پروتئینی را تغییر دهند.

"تخصیص صحیح توتومر در نتیجه برای مدل سازی مولکولی و کشف دارو بر اساس ساختار مهم است."

با این حال، تعیین یک تاتومر صحیح همچنان یک چالش است - مانند پیدا کردن یک سوزن در انبار کاه متحرک. این تا حدی به دلیل کمبود داده های تجربی است که ساختارهای توتومر را مشخص می کند.

به عنوان مثال، در بانک اطلاعات پروتئین، یک مخزن جهانی از ساختارهای سه بعدی مولکول های بیولوژیکی بزرگ که به طور گسترده در تحقیقات بیولوژیکی استفاده می شود، مکان اتم های هیدروژن که یک توتومر را از دیگری متمایز می کند، معمولا در دسترس نیست.

بانک اطلاعات پروتئین حاوی ساختارهای مولکولی است که عمدتا با استفاده از روش‌های تجربی مانند کریستالوگرافی اشعه ایکس تعیین می‌شوند، اما وضوح ساختارهای پرتو ایکس ماکرومولکولی به طور کلی برای مکان‌یابی مطمئن اتم‌های هیدروژن کافی نیست. در نتیجه، موقعیت های هیدروژن - و در نتیجه حالت تومریک یک مولکول - اغلب باید توسط دانشمندان استنباط شود.

سایر روش ها نیز کوتاهی می کنند. استفاده از مکانیک کوانتومی برای ارزیابی توتومرها اغلب از نظر محاسباتی برای غربال کردن کتابخانه‌های کامل بسیار سخت و پرهزینه است، در حالی که یادگیری ماشین توسط مجموعه داده‌های نسبتا کوچکی از توتومرهای آزمایشی مشخص شده در محلول محدود می‌شود، که تمایل دارند فقط چند صد مولکول را شامل شوند.

در مقابل، بسیاری از ساختارهای کریستالی پرتو ایکس با مولکول کوچک با وضوح بالا در پایگاه داده ساختاری کمبریج - بزرگترین مخزن ساختارهای کریستالی تجربی در جهان - موقعیت اتم‌های هیدروژن را نشان می‌دهند.

ژانگ، که همچنین بخشی از مرکز شیمی فیزیک محاسباتی NYU Simons است، گفت: «ما متوجه شدیم که موقعیت‌های هیدروژن با وضوح بالا در ساختارهای کریستالی با مولکول‌های کوچک با وضوح بالا، منبع کاملا دست‌نخورده‌ای از اطلاعات تجربی در مورد پایداری توتومر فراهم می‌کنند.

Xiaolin Pan، محقق فوق دکترا در آزمایشگاه ژانگ و اولین نویسنده این مطالعه، به طور سیستماتیک پایگاه داده ساختاری کمبریج را استخراج کرد تا مجموعه داده ای حاوی بیش از 1.1 میلیون حالت توتومری بسازد، مرتبه ای بزرگتر از مجموعه داده های تجربی موجود.

او سپس یک شبکه عصبی گراف – نوعی هوش مصنوعی که از یادگیری عمیق برای یافتن الگوهای بین نقاط داده متصل استفاده می‌کند – برای پیش‌بینی تومورهای پایدار مستقیما از اشکال مولکولی دو بعدی، بدون نیاز به ساختارهای سه بعدی یا محاسبات مکانیکی کوانتومی، آموزش داد.

هنگامی که محققان مدل خود را روی 5075 لیگاند PDBbind - مجتمع‌های بیومولکولی موجود در بانک داده‌های پروتئین - با چندین حالت توتومری ممکن به کار بردند، 126 مورد - تقریبا 2.5٪ - را شناسایی کردند که در آن‌ها توتومر لیگاند اختصاص داده شده احتمالا نادرست بود. در هر یک از این موارد، مدل یک توتومر پایدار جایگزین را دوباره اختصاص داد که الگوهای پیوند هیدروژنی بهبود یافته را نشان داد.

ژانگ خاطرنشان کرد: «تخصیص مجدد این توتومرها عموما برهمکنش‌های شیمیایی منطقی‌تری ایجاد می‌کند. این بدان معنا نیست که ساختارهای پروتئینی تعیین‌شده آزمایشی خود نادرست هستند؛ بلکه نتایج ما نشان می‌دهد که نمایش شیمیایی قبلا اختصاص داده شده ممکن است نیاز به تجدیدنظر داشته باشد.»

به عنوان مثال، در یکی از مولکول‌های موجود در بانک داده‌های پروتئین، مدل هوش مصنوعی یک توتومر با اتم هیدروژن متفاوت از موقعیت اولیه را پیش‌بینی کرد. در نتیجه این تغییر، لیگاند پیوندهای هیدروژنی اضافی را با باقی مانده های پروتئینی نزدیک تشکیل می دهد - که نشان می دهد چگونه یک تغییر به ظاهر کوچک می تواند برهمکنش های مولکول را با محیط پروتئینی آن تغییر دهد.

استفاده از این مدل برای شناسایی دقیق‌تر یک توتومر برای کشف دارو نه تنها می‌تواند به تعیین نحوه تناسب آن با محل اتصال پروتئین کمک کند، بلکه شبیه‌سازی‌های کامپیوتری بعدی را نیز بهبود می‌بخشد. هنگام ارزیابی نامزدهای دارو، شبیه‌سازی‌های دینامیک مولکولی یک مولکول و هدف پروتئینی آن را دنبال می‌کنند تا ببینند چگونه آنها در طول زمان تعامل و حرکت می‌کنند.

ژانگ می‌گوید: «این محاسبات مستلزم این است که موقعیت‌های هیدروژنی و پیوندهای شیمیایی مولکول به درستی تخصیص داده شود و استفاده از توتومر اشتباه می‌تواند برهمکنش‌ها و دینامیک پیش‌بینی‌شده را تغییر دهد.

محققان روش خود را به عنوان یک ابزار منبع باز به نام Tautomer-Predictor منتشر کردند که می تواند به سرعت کتابخانه های مولکولی بسیار بزرگ را تجزیه و تحلیل کند. در یک آزمایش، حدود 4.6 میلیون ترکیب را در 3.2 ساعت روی یک گره مجهز به GPU پردازش کرد.

یادگیری عمیق پایداری توتومر از موقعیت‌های پروتون کریستالوگرافی، علوم شیمی (2026). DOI: 10.1039/d6sc03714c

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 →

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