باحثون يهدفون إلى تعزيز سرعة اكتشاف الأدوية عن طريق حساب كفاءات الارتباط باستخدام الذكاء الاصطناعي

باحثون من معهد ماساتشوستس للتكنولوجيا طوروا مؤخرًا تقنية جديدة مدفوعة بالذكاء الاصطناعي لتسريع اكتشاف الأدوية من خلال زيادة سرعة الحسابات المستخدمة لتقييم الارتباط الجزيئي للدواء.

يجب أن يكون الدواء قادرًا على الالتصاق بالبروتينات من أجل أداء المهمة التي صمم من أجلها. تقييم khảية الدواء للالتصاق بالبروتينات هو جزء رئيسي من عملية اكتشاف واختبار الأدوية، ويمكن أن تقلل تقنيات التعلم الآلي من الوقت المستغرق في تقييم هذا الجانب المهم من سمات الدواء.

فريق البحث في معهد ماساتشوستس للتكنولوجيا المسؤول عن تطوير تقنية التقييم الجديدة للدواء يسميها DeepBAR. DeepBAR يجمع بين خوارزميات التعلم الآلي مع حسابات الكيمياء التقليدية. DeepBAR يحسب الإمكانات الارتباطية لمُرشح دوائي معين وبروتيناته المستهدفة. تقنية التحليل الجديدة توفر تقديرات لقدرة الدواء على الارتباط بشكل أسرع بكثير من الطرق التقليدية المستخدمة لتقييم الارتباطات، ومن المتوقع أن تُحسِّن سرعة اكتشاف الأدوية.

تُقاس الإمكانات الارتباطية للدواء من خلال مقياس يسمى الطاقة الحرة للارتباط، حيث يشير الرقم الأصغر إلى إمكانات ارتباطية أعلى. يشير رقم الطاقة الحرة للارتباط المنخفض إلى أن الدواء لديه khảية كبيرة للتنافس مع الجزيئات الأخرى، وملء أدوار تلك الجزيئات، وعرقلة الوظيفة الطبيعية للبروتين. هناك علاقة عالية بين طاقة الارتباط الحرة لمُرشح دوائي وفعاليته. ومع ذلك، يمكن أن يكون قياس طاقة الارتباط الحرة صعبًا.

توجد طريقتان شائعتان لقياس طاقات الارتباط الحرة. طريقة واحدة هي حساب الكمية الدقيقة لطاقة الارتباط الحرة، بينما تكون الطريقة الأخرى هي تقدير الكمية. التقديرات أقل تكلفة حسابيًا من القياسات الدقيقة، ولكنها تأتي مع تنازل في الدقة.

استخدمت طريقة DeepBAR جزءًا صغيرًا من القدرة الحاسوبية للطرق القياسية لقياس طاقة الارتباط الحرة، ولكنها قدمت تقديرات دقيقة جدًا لطاقات الارتباط. DeepBAR يستخدم “نسبة قبول بنيت”، وهو الخوارزمية التي تُستخدم عادة لحساب طاقة الارتباط الحرة. نسبة قبول بنيت تتطلب استخدام حالتين أساسيتين ونقاط نهاية وعدد من الحالات الوسيطة (التي هي حالات ربط جزئي). يحاول подход DeepBAR تقليل عدد الحسابات اللازمة لتقدير طاقات الارتباط من خلال استخدام نسبة قبول بنيت جنبًا إلى جنب مع إطارات التعلم الآلي والنماذج التوليدية العميقة. النماذج التوليدية العميقة تُنشئ حالة مرجعية لكل نقطة نهاية، وهذه النقاط النهاية دقيقة بما يكفي للنقاط النهاية الفعلية بحيث يمكن نشر نسبة قبول بنيت.

النموذج التوليدي العميق الذي صممه فريق البحث في معهد ماساتشوستس للتكنولوجيا يعتمد على تقنيات رؤية الكمبيوتر. في الأساس، DeepBAR يعامل كل هيكل جزيئي يُحلل على أنه صورة، ويُحلل ميزات “الصورة” لتعلم منها. كان على فريق البحث إجراء بعض التعديلات الطفيفة على الخوارزمية لتكييفها مع تحليل الهياكل ثلاثية الأبعاد، لأن خوارزميات رؤية الكمبيوتر تعمل عادة على الصور ثنائية الأبعاد.

في الاختبارات الأولية، كان DeepBAR قادرًا على حساب طاقة الارتباط الحرة بمعدل أسرع حوالي 50 مرة من التقنيات التقليدية. لا يزال هناك عمل يجب القيام به على النموذج. يجب أن يتم التحقق منه ضد بيانات تجريبية أكثر تعقيدًا من البيانات البسيطة التي تم اختباره عليها في البداية، والتي شملت بيانات بسيطة بشكل معقول. يهدف فريق البحث في معهد ماساتشوستس للتكنولوجيا إلى تحسين khảية DeepBar لحساب طاقات الارتباط الحرة للبروتينات الكبيرة من خلال تحسين النموذج باستخدام التطورات الحديثة في علوم الكمبيوتر.

DeepBAR يعتبر بعيدًا عن أول محاولة لتطبيق الذكاء الاصطناعي على خط أنابيب اكتشاف الأدوية بهدف زيادة سرعة اكتشاف الأدوية. قامت مشاريع بحثية أخرى أيضًا باستخدام الذكاء الاصطناعي لتأتمتة جوانب من خط أنابيب اكتشاف الأدوية وتحسين كفاءتها. ومع ذلك، قد يكون هناك حجر عثرة طبيعي يحد من فعالية هذه الاستراتيجيات.

كما جادل ديريك لو最近 في مدونة على ScienceMag.org، إذا كان الهدف هو تعزيز سرعة اكتشاف الأدوية، فمن المهم “مهاجمة المشاكل الصحيحة”. تقييم الفعالية السريرية وأمان الأدوية يأخذ وقتًا كبيرًا، ويمكن أن يكون من الصعب العثور على طرق لاستخدام الذكاء الاصطناعي لتقليل معدلات الفشل السريري. في النهاية، قد يكون هناك حد أدنى للوقت الذي يمكن أن توفره أساليب الذكاء الاصطناعي فيما يتعلق باكتشاف الأدوية، على الأقل حتى يتمكن الذكاء الاصطناعي من الاندماج بشكل معنوي في عملية التقييم السريري. ومع ذلك، التحسينات هي تحسينات، وأكثر ما يتم القيام به من بحث مثل DeepBAR، أكثر الوقت الذي سيكون لديه العلماء للنظر في طرق استخدام الذكاء الاصطناعي في مجالات أخرى من خط أنابيب اكتشاف الأدوية.