هوش‌مصنوعی داروها را هزار بار سریع‌تر از روش‌های کنونی کشف می‌کند
تاریخ انتشار: ۶ مرداد ۱۴۰۱ | کد خبر: ۳۵۶۰۹۲۲۲
ایتنا - مدل «اکویی‌بایند» با سرعتی بسیار بالا می‌تواند مولکول‌های شبهدارویی را با موفقیت به پروتئین‌ها پیوند بزند.
محققان یک مدل هوش‌مصنوعی ساخته‌اند که می‌تواند مولکول‌های دارویی بالقوه را بیش از هزار بار سریع‌تر از شیوه‌های پیشرفته کنونی کشف کند.
طبق اعلام این گروه تحقیقاتی «موسسه فناوری ماساچوست» (MIT)، این مدل هوش مصنوعی که «اکویی بایند» (EquiBind) نام دارد، احتمال و هزینه شکست آزمون‌های دارویی را به طرز چشم‌گیری کاهش خواهد داد.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمی‌شوند!
به گزارش ایتنا و به نقل از ایندیپندنت، تعداد مولکول‌های دارای ویژگی‌های شبهدارویی (drug-like) بالقوه سر به فلک می‌زند و حدود ۱۰ به توان ۶۰ برآورد شده است. در مقام مقایسه، تعداد ستارگان کهکشان راه شیری حدود ۱۰ به توان ۸ است.
مدل «اکویی‌بایند» با سرعتی هزار و ۲۰۰ برابر سرعت سریع‌ترین مدل‌های موجود رایانشی جورسازی مولکولی (computational molecular docking)، می‌تواند این مولکول‌های شبهدارویی را با موفقیت به پروتئین‌ها پیوند بزند.
«اکویی‌بایند» این کار را با استفاده از استدلال هندسی تعبیه شده در خودش انجام می‌دهد که امکان می‌دهد پیش‌بینی کند کدام پروتئین‌ها با مولکولی جفت و جور می‌شوند؛ بی‌آنکه پیشاپیش از بسته هدف آن هیچ گونه آگاهی داشته باشد.
هانس استارک، دانشجوی سال اول کارشناسی ارشد در گروه مهندسی برق و علوم رایانه ام‌آی‌تی و نویسنده اصلی مقاله تشریح کننده این تحقیق، می‌گوید: «وقتی دیدیم که شیوه‌های دیگر به کلی نادرست عمل می‌کردند یا فقط یک مورد را درست انجام می‌دادند، اما اکویی‌بایند می‌توانست آن را در بسته درست قرار دهد، حیرت کردیم. بنابراین از دیدن این نتایج خیلی خوشحال شدیم.»
این یافته‌ها پیشاپیش توجه دست‌اندرکاران صنعت دارویابی/داروسازی را جلب کرده است و امیدوارند بتوان از آنها برای یافتن درمان سرطان ریه، سرطان خون و تومورهای دستگاه گوارش استفاده کنند.
پت والترز، کارشناس ارشد داده‌ها در شرکت کشف مواد دارویی «ریلی تراپیوتیکز»(Relay Therapeutics)، می‌گوید: «اکویی‌بایند راهکار منحصر‌به‌فردی برای مشکل جورسازی به دست می‌دهد که هم پیش‌بینی وضعیت، هم شناسایی محل ترکیب (binding sit) را انجام می‌دهد.»
«این رهیافت که اطلاعات برگرفته از هزاران ساختار کریستالی در دسترس عموم را به کار می‌گیرد، قابلیت آن را دارد که به روش‌های جدیدی بر این حوزه اثر بگذارد.»
این مقاله علمی با عنوان« اکویی‌بایند: یادگیری ژرف هندسی در خدمت پیش‌بینی ساختار پیوند دارویی» در «همایش بین‌المللی یادگیری ماشین» (ICML) عرضه خواهد شد.
منبع: ايتنا
کلیدواژه: هوش مصنوعی پزشکی
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.itna.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ايتنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۵۶۰۹۲۲۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
داروهای غیر آنتی‌بیوتیک باکتری‌ها را از بین می‌برند؟
به گزارش خبرآنلاین، تاریخ بشر با کشف آنتی‌بیوتیک‌ها در سال ۱۹۲۸ برای همیشه تغییر کرد. بیماری‌های عفونی مانند ذات‌الریه، سل و سپسیس بسیار گسترده و کشنده بودند تا اینکه پنی‌سیلین آنها را قابل درمان کرد.
ایسنا در گزارشی نوشت: با آنتی‌بیوتیک‌ها روش‌های جراحی که زمانی با خطر بالای عفونت همراه بودند، ایمن‌تر و معمول‌تر شدند. آنتی‌بیوتیک‌ها لحظه‌ای پیروزمندانه در علم را رقم زدند که کار پزشکی را متحول کرد و جان افراد بی‌شماری را نجات داد. اما آنتی‌بیوتیک‌ها اخطاری ذاتی دارند؛ زمانی که بیش از حد مورد استفاده قرار گیرند، باکتری‌ها می‌توانند به این داروها مقاوم شوند.
سازمان بهداشت جهانی تخمین زده است که این ابر میکروب‌ها باعث مرگ ۱.۲۷ میلیون نفر در سراسر جهان در سال ۲۰۱۹ شدند و شاید در سال‌های آینده به تهدیدی فزاینده برای سلامت عمومی جهانی تبدیل شوند.
اکتشافات جدید به دانشمندان کمک می‌کنند تا با این چالش به روش‌های نوآورانه روبرو شوند. نتایج تحقیقات نشان داده است که حدود یک چهارم داروهایی که اغلب به‌عنوان آنتی‌بیوتیک تجویز نمی‌شوند، مانند داروهای مورد استفاده برای درمان سرطان، دیابت و افسردگی، می‌توانند باکتری‌ها را در دوزهایی که به‌طور معمول برای افراد تجویز می‌شود، از بین ببرند.
درک مکانیسم‌های زیربنایی چگونگی سمی بودن داروهای خاص برای باکتری‌ها، ممکن است تبعات گسترده‌ای برای پزشکی داشته باشد. اگر داروهای غیر آنتی‌بیوتیکی باکتری‌ها را به روش‌های متفاوتی از آنتی‌بیوتیک‌های استاندارد هدف قرار دهند، می‌توانند به‌عنوان سرنخ در تولید آنتی‌بیوتیک‌های جدید عمل کنند. اما اگر داروهای غیر آنتی‌بیوتیکی باکتری‌ها را به روش‌های مشابه آنتی‌بیوتیک‌های شناخته شده از بین ببرند، استفاده طولانی‌مدت از آنها، مانند درمان بیماری‌های مزمن، ممکن است ناخواسته مقاومت آنتی‌بیوتیکی را افزایش دهد.
ماریانا نوتو گیلن، فارغ‌التحصیل از دانشگاه بوئنوس آیرس آرژانتین در علوم زیستی با تاکید بر زیست‌شناسی مولکولی، گفت در تحقیقی، من و همکارانم روش یادگیری ماشینی جدید ایجاد کردیم که نه تنها چگونگی کشتن باکتری‌ها توسط داروهای غیر آنتی‌بیوتیکی را شناسایی می‌کند، بلکه می‌تواند به یافتن اهداف باکتریایی جدید برای آنتی‌بیوتیک‌ها نیز کمک کند.
روش‌های جدید از بین بردن باکتری‌ها
نوتو گیلن بیان کرد دانشمندان و پزشکان متعددی در سرتاسر جهان در حال مقابله با مشکل مقاومت دارویی هستند، ازجمله من و همکارانم در آزمایشگاه میچل در دانشکده پزشکی ماساچوست آمریکا، از ژنتیک باکتری‌ها برای بررسی اینکه کدام جهش باکتری‌ها را نسبت به داروها مقاوم‌تر یا حساس‌تر می‌کند، استفاده می‌کنیم.
وی اظهار کرد: هنگامی که من و گروه تحقیقاتی در مورد فعالیت گسترده ضد باکتریایی داروهای غیر آنتی‌بیوتیکی مطلع شدیم، چالش ایجاد شده این داروها ما را به خود مشغول کرد که چگونه این داروها باکتری‌ها را از بین می‌برند.
گیلن توضیح داد: من حدود ۲ میلیون مورد سمیت بین ۲۰۰ دارو و هزاران باکتری جهش‌یافته را جمع‌آوری و تجزیه و تحلیل کردم. با استفاده از الگوریتم یادگیری ماشینی که برای استنباط شباهت‌های بین داروهای مختلف ایجاد کردم، داروها را بر اساس نحوه تأثیر آنها بر باکتری‌های جهش یافته در یک شبکه با هم گروه‌بندی کردم.
نوتو گیلن اظهار کرد: طرح‌های من به‌وضوح نشان می‌داد که آنتی‌بیوتیک‌های مطرح به‌دلیل کلاس‌های شناخته‌شده مکانیسم‌های کشنده، به‌شدت با هم گروه‌بندی شده‌اند. به‌عنوان مثال، تمام آنتی‌بیوتیک‌هایی که دیواره سلولی؛ لایه محافظ ضخیم اطراف سلول‌های باکتریایی، را هدف قرار می‌دهند با هم گروه‌بندی شدند و به‌خوبی از آنتی‌بیوتیک‌های دخیل در تکثیر دی‌ان‌ای باکتری‌ها، جدا شده‌اند.
وی اضافه کرد: جالب اینجاست که وقتی داروهای غیر آنتی‌بیوتیکی را به تجزیه و تحلیل خود اضافه کردم، آنها قطب‌های جداگانه‌ای از آنتی‌بیوتیک‌ها را تشکیل دادند. این امر نشان می‌دهد که داروهای غیر آنتی‌بیوتیکی و آنتی‌بیوتیکی راه‌های مختلفی برای از بین بردن سلول‌های باکتریایی دارند. در حالی که این گروه‌بندی‌ها نشان نمی‌دهند که چگونه هر دارو به‌طور خاص آنتی‌بیوتیک‌ها را از بین می‌برد، اما نشان می‌دهد که دسته‌بندی‌شده‌ها به احتمال زیاد به روش‌های مشابهی کار می‌کنند.
گیلن در ادامه گفت اینکه ما توانستیم اهداف دارویی جدیدی را در باکتری‌ها برای کشتن آنها پیدا کنیم حاصل تحقیقات همکارم کارمن لی است. وی صدها نسل از باکتری‌ها را رشد داد و در معرض داروهای مختلف غیر آنتی‌بیوتیکی قرار داد که اغلب برای درمان اضطراب، عفونت‌های انگلی و سرطان تجویز می‌شدند.
تعیین توالی ژنوم باکتری‌هایی که تکامل یافته و با حضور این داروها سازگار شده‌اند، به ما امکان مشخص کردن پروتئین باکتریایی خاصی را می‌دهد که تری‌کلابندازول، داروی مورد استفاده برای درمان عفونت‌های انگلی، هدف قرار می‌دهد تا باکتری را از بین ببرد. نکته مهم این است که آنتی‌بیوتیک‌های فعلی به‌طور معمول این پروتئین را هدف قرار نمی‌دهند.
وی خاطرنشان کرد: علاوه بر این، ما متوجه شدیم که ۲ داروی غیر آنتی‌بیوتیک دیگر که از مکانیسم مشابهی مانند تری‌کلابندازول استفاده می‌کنند نیز همان پروتئین را هدف قرار می‌دهند. این امر نشان‌دهنده قدرت طرح‌های شباهت دارویی ما برای شناسایی داروهایی با مکانیسم‌های کشندگی مشابه بود، حتی زمانی که این مکانیسم هنوز ناشناخته بود.
کمک به کشف آنتی‌بیوتیک
یافته‌های این تحقیق فرصت‌های متعددی را در اختیار محققان قرار می‌دهد تا نحوه عملکرد داروهای غیر آنتی‌بیوتیکی متفاوت از آنتی‌بیوتیک‌های استاندارد را بررسی کنند. روش این محققان برای نقشه‌برداری و آزمایش داروها همچنین این پتانسیل را دارد که مشکل مهم در توسعه آنتی‌بیوتیک‌ها را برطرف کند.
جستجوی آنتی‌بیوتیک‌های جدید اغلب مستلزم صرف منابع قابل توجهی برای غربالگری هزاران ماده شیمیایی است که باکتری‌ها را می‌کشند و نحوه عملکرد آنها را مشخص می‌کند. اکثر این مواد شیمیایی مشابه آنتی‌بیوتیک‌های موجود عمل می‌کنند و کنار گذاشته می‌شوند.
محققان گفتند: کار ما نشان می‌دهد، ترکیب غربالگری ژنتیکی با یادگیری ماشینی می‌تواند به کشف مواد شیمیایی کمک کند که قادر به از بین بردن باکتری‌ها به روش‌هایی هستند که محققان پیش از این به کار نبرده‌اند. راه‌های مختلفی برای کشتن باکتری‌ها وجود دارد که هنوز از آنها بهره‌برداری نکرده‌ایم و هنوز راه‌هایی وجود دارد که می‌توانیم برای مبارزه با تهدید عفونت‌های باکتریایی و مقاومت آنتی‌بیوتیکی در پیش بگیریم.
۴۷۲۳۶
برای دسترسی سریع به تازه‌ترین اخبار و تحلیل رویدادهای ایران و جهان اپلیکیشن خبرآنلاین را نصب کنید. کد خبر 1899552
خودکشی از رزیدنتها به پزشکان رسیده؛ چرا دکتر سمیرا آلسعیدی خودکشی کرد؟/ «خودکشی پزشکان بهمثابه یک انتحار اجتماعی است»