طراحی دارو

کاربرد هوش مصنوعی در طراحی و غربالگری دارو

الگوریتم های مصنوعی چه کاربردی در طراحی و غربالگری داروهای نوین دارند؟

با فراگیر شدن هوش مصنوعی در عرضه های مختلف علمی و هوشمند شدن تلفن ها، ربات های کارخانه ها و حتی در و پنجره های ساختمان ها امروزه استفاده از هوش مصنوعی در صنعت داروسازی و طراحی دارو  مسیری پر رونق رو آغاز کرده است.

اما چگونه هوش مصنوعی در فرآیند طراحی دارو به کمک محققان آمده است؟ ایده استفاده از هوش مصنوعی در طراحی و غربالگری دارو با دقت در ساختار شیمیایی داروهای تایید شده ی موجود پرورش یافته و به بلوغ رسید.

هوش مصنوعی قبل از این برای طبقه بندی داده های مجهول با استفاده از توصیفگرهای موجود در دیتابیس های از پیش آماده شده در حوزه های مختلف استفاده میشد. بر همین اساس متخصصان بیوانفورماتیک با استفاده از الگوریتم های عددی ویژه به بیان عددی گروه های عاملی، اتم های مختلف، پیوندهای بین اتمی و ارتباط آن ها با عملکرد مولکول پرداختند. نتیجه ی این بررسی ها امروزه به عنوان نرم افزار های آنلاین و آفلاین QSAR مورد استفاده قرار میگیرد.

نکه ی بسیار مهم در استفاده از هوش مصنوعی یا به عبارتی استفاده از الگوریتم های یادگیری ماشین در غربالگری داروهای نوین انتخاب صحیح الگوریتم و نیز توصیفگر ها است. به طوری که بعضا مشاهده شده که استفاده از ۵۰۰ توصیفگر ویژه سه بعدی نتیجه اختصاصیت و حساسیت مناسبی را در آزمون های ارزیابی کننده ای مثل ارزیابی مقاطع و نمونه برداری تصادفی ایجاد نکرده است. بر همین اساس گروه های پژوهشی مختلف بویژه پژوهشگران بیوانفورماتیک از نقاط مختلف جهان میکوشند تا چهار چوب کلی و قوانین مشخصی را برای تعیین توصیف گرهای مورد نیاز و نیز الگوریتم یادگیری ماشین تبیین کنند.

و اما بهتر است بطر خلاصه اشاره ای به نحوه عملکرد الگوریتم های هوش مصنوعی در طراحی و غربالگری دارو داشته باشیم. الگوریتم ها بطور کلی فقط داده های عددی که بصورت بردار عددی بیان شده اند را شناسایی میکنند. بنابراین قبل ازغربالگری دارو مجموعه ای از داروهای تایید شده و نیز داروهایی که در آن کاربرد خاص عملکرد ویژه ای را نداشتند به عنوان داده های مرجع انتخاب میکنند. به عنوان مثال ۱۰۰۰ ترکیب ضد ویروس و ۱۰۰۰ ترکیبی که اثرات ضد ویروسی از آن ها دیده نشده است. سپس تعداد اتم های سنگین، اتم های سبک، تعداد پیوندها، تعداد گروه عاملی کربوکسیلی، بار الکتریکی خالص و … را برای تک تک ترکیبات این دو مجموعه تعیین میکنند. سپس این داده ها را به الگوریم های یادگیری ماشین مثل شبکه عصبی، جنگل تصادفی، رگرسیون خطی، بردار ماشین پشتیبان و … عرضه کرده و این الگوریتم ها بر اساس داده های از پیش تعیین شده برای هر ترکیب یک گروه در نظر میگیرند مثلا گروه ترکیبات ضد ویروس و غیر ضد ویروسی. بر این اساس یک سری از ترکیباتی که  گمان میرود خاصیت ضد ویروسی داشته باشند را با همان توصیف گر ها سنجیده و بیان عددی آن ها را به الگوریتم های از قبل آموزش دیده عرضه میکنند. الگوریتم ها بر اساس شباهت داده های ارائه شده ترکیبات مجهول را در یکی از دو دسته یا چند دسته ی از قبل تعیین شده قرار داده و ترکیباتی که احتمالا دارای قابلیت دارویی هستند پیش بینی میکند.

در لایه ی بعدی الگوریتم های طراحی دارو مبتنی بر هوش مصنوعی که مرحله ی اصلاح و طراحی است، ترکیباتی که به عنوان داروی محتمل انتخاب شده اند با دارو یا داروهای مرجع مطابقت داده شده به شاخص های که عملکرد دارو را افزایش میدهد امتیاز داده میشود. به عنوان مثال اگر ترکیب دارویی  مرجع دارای بار الکتریکی ۲+ باشد و بار مثبت اضافی عملکرد دارو را بهتر میکند در صوری که ترکیب غربال شده دارای بارالکتریکی ۵+ باشد امتیاز بیشتری نسبت به ترکیب دارای بار ۱- است. به همین روش و بر اساس شاخص های از پیش تعیین شده کمک میشود  ترکیبی که  پتانسیل بالایی به عنوان دارو دارد بهینه سازی شود.

گردآوری: گروه تولید محتوای زیست فایل