به گزارش هاژه به نقل از ایسنا، بیماری کووید-19 تمام دنیا را تعطیل کرده و بر سلامت، اقتصاد و زندگی روزمره جهانیان تاثیر گذاشته است، به همین دلیل در سراسر جهان، دانشمندان برای یافتن درمان این بیماری با یکدیگر همکاری میکنند؛ طراحی روش درمانی باهدف مقابله با ویروس و به اشتراک گذاشتن آنها بهصورت آنلاین بخشهایی از تلاشهای جهانی در مقابله با این بیماری همهگیر است.
گروهی از دانشمندان آزمایشگاه نوآوری TCS حیدرآباد هند، 31 ترکیب مولکولی شناسایی کردند که نویدبخش یافتن درمانی برای بیماری کووید-19 هستند. آنان این روش را با استفاده از هوش مصنوعی (AI) انجام میدهند تا بر یکی از پروتئینهای مشخص در کروناویروس جدید که وظیفه بقا و تکثیر ویروس در انسان را دارد، تاثیرگذار باشد.
در این تحقیق، آزمایشگاه TCS از مدلهای تولیدی و پیشبینی کننده مبتنی بر شبکه عصبی ایجادشده برای طراحی مولکولهای کوچک دارونما جدید استفاده کرده است. این مدلها در بسیاری از فعالیتهای طراحی داروهای انبوه و ترکیبات مناسب در بهرهمندی از یک پروتئین خاص تایید شده هستند. این مدلهای پیشرفته آموزشدیده قابلیت تولید مولکولهای کوچک با توانایی مهار پروتئاز 3CL درSARS-CoV-2 را دارند.
هوش مصنوعی و اکتشافات دارویی آینده
بهطورمعمول، یافتن دارویی جدید با یک موفقیت بسیار پایین، یک دهه یا بیشتر زمان لازم دارد. بااینحال، با کمک هوش مصنوعی، پیشرفت در تصحیح دادهها و مدیریت آن، باعث ظهور انقلابی مبتنی بر هوش مصنوعی در کشف دارو شده است.
روشهای مبتنی بر هوش مصنوعی، بهعنوان ابزاری نویدبخش برای کشف در زمینههای مختلف شیمی، در حال ظهور هستند. مدلهای هوش مصنوعی قادر به یادگیری بازنمودهای خاص بر اساس داروهای موجود هستند که میتوانند برای جستجوی گزینههای شیمیایی در جستجوی مولکولهای دارویی بیشتر باشند. این امر فرصتی بزرگ برای جامعه طراحی دارو برای غلبه بر بسیاری از چالشها ازجمله موارد کنونی است. از همه مهمتر، یک رویکرد مبتنی بر هوش مصنوعی میتواند مرحله اولیه فرایند کشف دارو را از سالها به چند روز کاهش دهد و علت آن توانایی این فناوری در پردازش سریع دادههاست.
مطالعات اخیر بهرهوری از تکنیکهای هوش مصنوعی در درک فضای شیمیایی شناختهشده و تولید مولکولهای جدید کوچک را اثبات کرده است. این مولکولها باید چندین خاصیت فیزیک و شیمیایی را برآورده کنند تا بتوانند بهعنوان مولکولهای دارویی بالقوه مورداستفاده قرار گیرند. با ظهور روشهای مبتنی بر هوش مصنوعی، میتوان این مولکولهای کوچک را با خصوصیات دارونما طراحی کرد.
استفاده از هوش مصنوعی برای حل بحران سلامت کنونی
آزمایشگاه TCS یک مدل هوش مصنوعی ایجاد کرده که در ابتدا بر روی مجموعهای از 1.6 میلیون مولکول دارونما از پایگاه داده ChEMBL آموزش دادهشده است، یک بانک اطلاعاتی عمومی که کاملترین مجموعه مولکولهای کوچک دارونما را در خود حفظ میکند.
قدرت اساسی هوش مصنوعی این است که میتواند بهسرعت به همراه حل مسأله چندین طرح را با تعداد زیادی پارامتر ارزیابی کند. این مولکولها در قالب ورودی سیستم ورودی خطی مولکولی سادهشده (SMILES) نمایش داده میشوند و مدل را قادر میسازد خصوصیات لازم را برای طراحی مولکولهای کوچک دارونما بیاموزد. اما هر مدل هوش مصنوعی ابتدا باید قبل از ارائه طرحهای احتمالی موفق دستور زبان شیمی دارویی را بیاموزد.
این گروه از مجموعه دادههای اصلی SMILES برای آموزش یک مدل تولیدی استفاده کرده است. این مدل بر اساس شیمی و امکانسنجی مصنوعی مولکولهای دارونما محاسبهشده است. این مدل کلی، بیشتر برای تولید مولکولهای کوچک خاص با استفاده از یادگیری انتقالی مورداستفاده قرار گرفته تا تنها بر پروتئاز 3CL عامل بیماری کووید-19متمرکز شود. علاوه بر این، استفاده از این مدل به گروه اجازه میدهد مولکولهایی با خصوصیات فیزیولوژیکی بهینهشده، تولید کنند.
از این مدل تولیدی آموزشدیده برای نمونهگیری 50هزار مولکول کوچک استفاده شد. پس از تکرار تکثیر، این مولکولها بر اساس خصوصیات شیمیایی، شباهت دارویی، گنجایش آب و سایر عوامل حذف شدند و این عملکرد منجر به ایجاد مجموعه 3960 مولکولی شد. این مولکولها بیشتر بر اساس میل آنها به پروتئاز3CL در عامل بیماری کووید-19 فیلتر شدند. پس از غربالگری مجازی، در مجموع 1333 مولکول کوچک به دست آمد که به عنوان مهارکنندههای بالقوه عمل کردند.
این گروه دریافت که این مدل مولد، میتواند مولکولهای کوچکی تولید کند که شبیه به مهارکنندههای پروتئازHIV است، اما بااتصال بهتر به پروتئاز3CL در عامل بیماری کووید-19 یعنی SARS-CoV-2 این مجموعه دادهها به 31 ترکیب مولکولی کاهش یافتند. مجموعه کاملی از مولکولهای کوچک امیدوارکننده ایجاد شد تا محققان آنها را در برابر SARS-CoV-2 آزمایش کنند.
این گروه با همکاری شورای تحقیقات علمی و صنعتی هند (CSIR) آزمایشگاههای خود را برای آزمایش سنتز این 31 ترکیب مولکولی آماده میکنند.
قبل از اینکه این فرآیند بتواند از طراحی دارو به کشف دارو و سرانجام، تولید دارو در مقیاس بزرگتر بپردازد، باید مراحل زیادی پشت سر گذارد.