الذكاء الاصطناعي
يستخدم الباحثون التعلم العميق لتحديد الأدوية الجديدة
طور باحثون في معهد جوانججو للعلوم والتكنولوجيا في كوريا نموذجًا جديدًا للتعلم العميق يمكنه التنبؤ بالارتباط بين الدواء والجزيء المستهدف. أطلق الفريق ، الذي قاده الأستاذ المساعد هوجونج نام وطالب الدكتوراة إنجو لي ، النموذج الجديد "الضوء على التسلسلات المستهدفة" (HoTS).
ونشر البحث في مجلة Cheminformatics.
عملية اكتشاف المخدرات
يتم اختبار الأدوية في عملية اكتشاف الأدوية لقدرتها على الارتباط أو التفاعل مع الجزيئات المستهدفة في الجسم. أثبتت نماذج التعلم العميق أنها مفيدة في جعل هذه العملية أكثر فعالية ، لكن تنبؤاتها لا تظهر دائمًا قابلية للتفسير. لهذا السبب ابتكر الفريق HoTS ، والذي يقدم تنبؤات أفضل للتفاعلات المستهدفة للعقاقير بينما يمكن تفسيرها أيضًا.
من الأهمية بمكان تحديد مدى ارتباط الدواء بالجزيء المستهدف ، وهذا عادة ما يتضمن محاذاة بنية ثلاثية الأبعاد للدواء والبروتين المستهدف في تكوينات مختلفة. يشار إلى هذه العملية باسم "الإرساء". بعد هذه العملية ، يتم اكتشاف مواقع الربط المفضلة بعد ذلك عن طريق تشغيل عمليات محاكاة الإرساء مرارًا وتكرارًا مع العديد من الأدوية المرشحة للجزيء المستهدف. يتم الاعتماد على نماذج التعلم العميق لإجراء هذه المحاكاة.
نموذج HoTS
يمكن للنموذج الذي تم تطويره حديثًا أن يتنبأ أيضًا بالتفاعلات المستهدفة للدواء (DTIs) دون الحاجة إلى المحاكاة أو الهياكل ثلاثية الأبعاد.
يوضح البروفيسور نام: "أولاً ، نعلم النموذج بوضوح أي أجزاء من تسلسل البروتين ستتفاعل مع الدواء باستخدام المعرفة السابقة". ثم يتم استخدام النموذج المدرَّب للتعرف على التفاعلات بين الأدوية والبروتينات المستهدفة والتنبؤ بها ، مما يوفر أداءً أفضل للتنبؤ. باستخدام هذا ، قمنا ببناء نموذج يمكنه التنبؤ بمناطق ارتباط البروتينات المستهدفة وتفاعلاتها مع الأدوية بدون معقد ثلاثي الأبعاد. "
لا يتعين على النموذج التعامل مع الطول الكامل لتسلسل البروتين. بدلاً من ذلك ، يمكنه إجراء تنبؤات بناءً على أجزاء من البروتين ذات صلة بتفاعل DTI.
يتابع البروفيسور نام: "لقد علمنا النموذج أين يجب" التركيز "لضمان قدرته على استيعاب مناطق فرعية مهمة من البروتينات في توقع تفاعلها مع الأدوية المرشحة".
يمكّن هذا النموذج من التنبؤ بمؤشرات DTI بشكل أكثر دقة من النماذج الحالية.
ستوفر هذه النتائج الجديدة نقطة انطلاق جيدة لمحاكاة الإرساء المستقبلية للتنبؤ بالعقاقير المرشحة الجديدة.
هذا النموذج المستخدم في دراستنا من شأنه أن يجعل عملية اكتشاف الدواء أكثر شفافية وكذلك منخفضة المخاطر ومنخفضة التكلفة. ويخلص البروفيسور نام إلى أن هذا سيسمح للباحثين باكتشاف المزيد من الأدوية بنفس القدر من الميزانية والوقت.