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

نرم افزار های پیش بینی سمیت

پیش بینی بیوانفورماتیکی سمیت سلولی و ژنتیکی چگونه انجام می شود؟

وبینار آخرین دستاورد ها در زمینه واکسن های mRNA علیه پاندمی کووید-۱۹

آیا کرونا ویروس جدید (SARS-COV-2) در آزمایشگاه ساخته شده است؟

دارو و واکسن ویروس کرونا

معرفی دارو و واکسن جدید درمان عفونت کرونا ویروس جدید

بیوانفورماتیک سرطان

بیوانفورماتیک سرطان: رویکردی نوین در طراحی دارو

بیوانفورماتیک سرطان

سرطان یکی از متداول ترین علل مرگ و میر بیماران در بیمارستان می باشد. این ییماری بسیار پیچیده بوده و ممکن است اندام های مختلفی را درگیر نماید. ضعف در تشخیص ، درمان و پیش بینی این بیماری عمدتا به دلیل متفاوت بودن شدت بیماری، طول مدت بیماری، موضع آن، حساسیت و مقاومت آن در مقابل داروها، تمایز سلولی و منشاء آن می باشد.

شواهد نشان می دهد که برهمکنش و ایجاد شبکه بین ژن ها و پروتئین ها نقش مهمی را در فهم مکانیسم های درگیر در سرطان بازی می کند و همچنین موجب معرفی روش های نوینی از طراحی دارو در پژوهش های مرتبط با سرطان، سیستم بیولوژی، علوم بالینی، تکنولوژی های مبتنی بر omics، بیوانفورماتیک سرطان و علوم محاسباتی کاربردی می شود.

بیوانفورماتیک سرطان- طراحی بیوانفورماتیکی دارو

بیوانفورماتیک سرطان- طراحی بیوانفورماتیکی دارو

 

بیوانفورماتیک سرطان یک بخش ضروری و مهم در سیستم دارویی مرتبط با سرطان بوده و ابزار و رهیافت باارزشی جهت فهم روش ها ی طراحی دارو می باشد. بنابراین مجموعه ای از مطالب ارزشمند در مجلات” BMC Bioinformatic“، “BMC Cancer”، “Genome Medicine“و ” Journal of Clinical Bioinformatics ” گردآوری شده است که به عنوان مقدمه ای جهت کار در زمینه ی بیوانفورماتیک سرطان، توسعه ی آن و طراحی دارو می باشد. این مجموعه بر روی توسعه ی بیوانفورماتیک سرطان و سیستم بیولوژی محاسباتی متمرکز است که خود موجب دستیابی به کاربردهای بالینی برای غلبه بر بیماری سرطان می شود.

دستورکارهای مورد انتظار

بیوانفورماتیک سرطان” یکی از روش های پیچیده جهت بررسی های بیوانفورماتیکی در سطح سرطان می باشد که مرتبط با متابولیسم اختصاصی این بیماری، سیگنالینگ، ارتباطات و تکثیر آن است. بیوانفورماتیک بالینی (نظیر بیوانفورماتیک سرطان ) علمی است که از ترکیب داده های بالینی، یافته های بیوانفورماتیکی و محاسباتی پدید می آید به عنوان مثال تنظیم برهمکنش بین ژن ها و miRNA، به روش بالینی وابسته به تنوع در برهمکنش ژن ها در مواضع توموری، فاژ ها، تکثیر، علایم بیماری یا نحوه ی پاسخ به درمان بستگی دارد.
تصویر برداری بالینی یکی از فاکتورهای مهم در بیوانفورماتیک سرطان است زیرا تصویر برداری در پاتولوژی، اولتراسونیک، توموگرافی محاسباتی، تصویر برداری مغناطیس هسته ای، و توموگرافی نشر پوزیترون امری ضروری و لازم در شناسایی و تشخیص سرطان می باشد.

استراتژی های نوین با کمک بیومارکرها

انتظار می رود بیوانفوماتیک سرطان نقش مهمی را در شناسایی و ارزیابی بیومارکرها، بویژه در موارد بالینی ایفا کند که این امر مرتبط با شناسایی اولیه، بررسی مراحل پیشرفت بیماری و پاسخ به درمان می باشد. متغیرها شامل ژن، پروتئین، پپتید و متغیر های شیمیایی و فیزیکی در ارتباط با بیومارکرهای سرطانی به صورت تکی یا با هم، در حالت بیانی و یا عملکردی، و به صورت شبکه ای یا داینامیک شبکه ای مورد بررسی قرار می گیرند. بیومارکر شبکه ای به عنوان نوع جدیدی از بیوماکرها با برهمکنش پروتئین – پروتئین، همراه با ترکیبی از نتایج در زمینه تفسیر پروتئینی، برهمکنش و مسیرهای سیگنالی مورد بررسی واقع می شوند. همچنین، بیومارکرهای شبکه ای می توانند در مراحل و زمان های مختلف بیماری مورد ارزیابی قرار گیرند که به این نوع از مطالعه، بیومارکر شبکه ای پویا گفته می شود.

مانیتورینگ و پیش بینی دقیق دارویی

داروهای مرتبط با سرطان در این سیستم، به عنوان رویکرد نوین برای دستیابی به پیش بینی، پیشگیری و شخصی سازی باید مورد بررسی واقع شوند. بیوانفورماتیک سرطان نقش مهمی را در مانیتورینگ و پیش بینی کارآمدی و تاثیرگذاری داروها ایفا میکند که موجب ایجاد امن ترین و موثرترین استراتژی درمانی بر پایه ی تنوعات ژنی و پروتئینی در هر فرد می شود.
در نتیجه بیوانفورماتیک سرطان به عنوان یک استراتژی در حال ظهور، یکی از چالش برانگیزترین و مفید ترین یافته ها مرتبط با پزشکی سیستمیک را برای پژوهش های بالینی و کاربردهای آن ارائه می دهد که موجب بهبود درمان بیماران سرطانی می شود.

گردآوری و تنظیم: گروه خبری زیست فایل
منبع:
https://www.cancer.gov/research/nci-role/bioinformatics

معرفی یک روش نوین بیوانفورماتیکی برای تعیین ژن های به ارث رسیده از والدین

معرفی روش های نوین بیوانفورماتیکی در تعیین ژن های موثر در بروز سرطان