استفاده از هوش مصنوعی مولد برای تسریع روند توسعه دارو

در حالی که ممکن است سال‌ها طول بکشد تا صنعت داروسازی داروهایی را بسازد که قادر به درمان یا درمان بیماری‌های انسانی باشند، یک مطالعه جدید نشان می‌دهد که استفاده از هوش مصنوعی مولد می‌تواند روند توسعه دارو را به شدت تسریع کند.

امروزه، بیشتر اکتشافات دارو توسط شیمیدانان انسانی انجام می شود که بر دانش و تجربه خود برای انتخاب و سنتز مولکول های مناسب مورد نیاز برای تبدیل شدن به داروهای ایمن و کارآمدی که ما به آنها وابسته هستیم، تکیه می کنند. برای شناسایی مسیرهای سنتز، دانشمندان اغلب از تکنیکی به نام retrosynthesis استفاده می کنند – روشی برای ایجاد داروهای بالقوه با کار به عقب از مولکول های مورد نظر و جستجو برای واکنش های شیمیایی برای ساخت آنها.

با این حال، از آنجایی که غربال کردن میلیون‌ها واکنش شیمیایی بالقوه می‌تواند یک تلاش بسیار چالش‌برانگیز و زمان‌بر باشد، محققان دانشگاه ایالتی اوهایو یک چارچوب هوش مصنوعی به نام G ایجاد کرده‌اند.²یکپارچهسازی با سیستمعامل برای تولید خودکار واکنش برای هر مولکول معین. مطالعه جدید نشان داد که در مقایسه با روش‌های برنامه‌ریزی دستی فعلی، این چارچوب می‌تواند طیف وسیعی از واکنش‌های شیمیایی احتمالی را پوشش دهد و همچنین به‌طور دقیق و سریع تشخیص دهد که کدام واکنش‌ها ممکن است برای ایجاد یک مولکول دارویی خاص بهتر عمل کنند.

استفاده از هوش مصنوعی برای چیزهایی که برای نجات جان انسان‌ها حیاتی است، مانند پزشکی، چیزی است که ما واقعاً می‌خواهیم روی آن تمرکز کنیم. هدف ما استفاده از هوش مصنوعی برای تسریع فرآیند طراحی دارو بود و متوجه شدیم که نه تنها در زمان و هزینه محققان صرفه جویی می کند، بلکه داروهایی را ارائه می دهد که ممکن است خواص بسیار بهتری نسبت به هر مولکول موجود در طبیعت داشته باشند.

شیا نینگ، نویسنده اصلی این مطالعه و دانشیار علوم کامپیوتر و مهندسی در ایالت اوهایو

این مطالعه مبتنی بر تحقیقات قبلی نینگ است که در آن تیم او روشی به نام Modof را توسعه داد که قادر به تولید ساختارهای مولکولی بود که خواص مورد نظر را بهتر از هر مولکول موجود نشان می‌داد. نینگ، همچنین دانشیار انفورماتیک بیوپزشکی در کالج پزشکی می‌گوید: «اکنون این سؤال مطرح می‌شود که چگونه می‌توان چنین مولکول‌های تولید شده را ساخت، و اینجاست که این مطالعه جدید می‌درخشد».

این مطالعه امروز در مجله منتشر شد شیمی ارتباطات.

تیم نینگ جی²یکپارچه‌سازی با مجموعه داده‌ای که شامل 40000 واکنش شیمیایی جمع‌آوری‌شده بین سال‌های 1976 و 2016 است. این چارچوب از نمایش‌های مبتنی بر نمودار مولکول‌های داده شده «یاد می‌گیرد» و از شبکه‌های عصبی عمیق برای تولید ساختارهای واکنش‌دهنده احتمالی استفاده می‌کند که می‌تواند برای سنتز آنها استفاده شود. قدرت تولید آن به قدری چشمگیر است که به گفته نینگ، زمانی که به یک مولکول، G²Retro می تواند صدها پیش بینی واکنش جدید را تنها در چند دقیقه ارائه دهد.

“روش هوش مصنوعی مولد ما G²نینگ گفت: «رترو می‌تواند چندین مسیر و گزینه‌های سنتز مختلف و همچنین راهی برای رتبه‌بندی گزینه‌های مختلف برای هر مولکول ارائه کند.» این جایگزین آزمایش‌های آزمایشگاهی فعلی نمی‌شود، اما داروهای بیشتر و بهتری را ارائه می‌کند. گزینه‌ها، بنابراین آزمایش‌ها می‌توانند خیلی سریع‌تر اولویت‌بندی و متمرکز شوند.”

برای آزمایش بیشتر اثربخشی هوش مصنوعی، تیم نینگ یک مطالعه موردی انجام داد تا ببیند آیا G²Retro می‌تواند به‌طور دقیق چهار داروی تازه منتشر شده را پیش‌بینی کند: Mitapivat، دارویی که برای درمان کم‌خونی همولیتیک استفاده می‌شود. تاپیناروف که برای درمان بیماری های پوستی مختلف استفاده می شود. Mavacamten، دارویی برای درمان نارسایی قلبی سیستمیک؛ و اوتسکونازول که برای درمان عفونت های قارچی در زنان استفاده می شود. جی²نینگ گفت که رترو توانست دقیقا همان مسیرهای سنتز ثبت شده برای این داروها را به درستی تولید کند و مسیرهای سنتز جایگزینی را ارائه کند که امکان پذیر و از نظر مصنوعی نیز مفید هستند.

وجود چنین دستگاه پویا و موثری در اختیار دانشمندان می‌تواند صنعت را قادر سازد تا داروهای قوی‌تری را با سرعت بیشتری تولید کند – اما علیرغم اینکه هوش مصنوعی ممکن است در آزمایشگاه به دانشمندان برتری بدهد، نینگ بر داروهای G تأکید می‌کند.²یکپارچهسازی با سیستمعامل یا هر نوع مولد هوش مصنوعی هنوز نیاز به تایید دارد – فرآیندی که شامل آزمایش مولکولهای ایجاد شده در مدلهای حیوانی و بعداً در آزمایشات انسانی می شود.

نینگ گفت: «ما در مورد هوش مصنوعی مولد برای پزشکی بسیار هیجان‌زده هستیم و به استفاده مسئولانه از هوش مصنوعی برای بهبود سلامت انسان اختصاص داده‌ایم.

این تحقیق توسط برنامه تعالی پژوهشی رئیس جمهور ایالت اوهایو و بنیاد ملی علوم پشتیبانی شد. سایر نویسندگان ایالت اوهایو زیکی چن، اولواتوسین آیند، جیمز فوکس و هوان سان بودند.