ترکیبات دارویی جدید علیه ویروس کرونا با هوش مصنوعی

منتشرشده در: مجله syncedreview به تاریخ ۵ مارس ۲۰۲۰
نویسنده: Fangyu Cai
لینک مقاله اصلی: https://medium.com/syncedreview/ai-based-drug-discovery-pipeline-generates-novel-drug-compounds-against-coronavirus-31829015d0d

یک مطالعه جدید، یک خط لوله کشف دارو مبتنی بر هوش مصنوعی را برای تولید ساختارهای مولکولی به عنوان بخشی از مبارزه گسترده علیه شیوع ویروس کرونا پیش می‌برد. محققان می‌گویند که نتایج حاصل از این مطالعه، مقرون‌به‌صرفه بودن و کارآیی زمانی روش جدید برای توسعه ترکیبات دارویی جدید و درمان علیه عفونت کروناویروسی را نشان می‌دهد.

مقاله «Potential COVID-2019 3C-like Protease Inhibitors Designed Using Generative Deep Learning Approaches» توسط محققانی از شرکت دارویی اینسیلیکو بر روی ChemRxiv منتشر شده است. (برای مطالعه این مقاله به همراه ترجمه فارسی آن کلیک کنید) این شرکت زیست فن‌آوری از ۲۸ ژانویه بخشی از خط لوله شیمی تولیدی خود را به طراحی دارویی برای مهار ویروس کرونا کرد. محققان تاکید می‌کنند که «هیچ یک از این مولکول‌ها در آزمایشگاه یا در بدن سنتز یا آزمایش نشده اند. این داروها برای ویروس کرونای جدید (۲۰۱۹ - nCov) دارویی نیستند. شیمیدانان متخصص دارویی تشویق می‌شوند تا مولکول‌های موجود در مقاله و در وب سایت را بررسی و نظر دهند.»

اکثر تلاش‌های فعلی علیه ویروس کرونا در حال سرمایه‌گذاری سنگین بر روی اصلاح داروهای تایید شده از نظر بالینی و غربالگری مجازی مولکول‌های موجود در کتابخانه‌های شیمیایی هستند. محققان یکی از اهداف پروتیین کلیدی ۲۰۱۹-nCoV را به عنوان پروتئاز شبیه 3C شناسایی کرده‌اند که برای ساختارکریستالی آن شناخته شده‌است. اگر دارویی بتواند از پروتئازهای حفظ‌شده جلوگیری کند، ممکن است قادر به جلوگیری از تکثیر و گسترش ویروس باشد. هم چنین می‌تواند خطر مقاومت دارویی با واسطه جهش را کاهش دهد و به آن اجازه دهد موثر بماند. به عنوان مثال، در مورد SARS-CoV، که به خانواده ویروس‌های کرونا نیز تعلق دارد، مهار کننده‌های با هدف قرار دادن پروتئاز اصلی موثرترین راه برای کاهش این اپیدمی بودند.

از آنجا که هدف پروتئاز برای ۲۰۱۹-nCoV و توالی و ساختار آن شناخته شده‌است، محققان اینسیلیکو تنها از خط لوله شیمی مولد برای تولید انواع احتمالی شبه دارو استفاده کردند. آن‌ها از خط لوله مولد برای سه نوع داده ورودی استفاده کردند: ساختار کریستالی، مدل‌های همولوژی، و لیگاند‌ کریستال‌سازی شده با هم. رویکردهای یادگیری عمیق مولد می‌توانند به طور خودکار اطلاعات انتزاعی با ابعاد بالا را از ساختارهای مولکولی بدون طراحی ویژگی‌های دستی استخراج کنند. هم چنین آن‌ها می‌توانند نگاشت غیر خطی بین ساختارهای مولکولی مطابق با ویژگی‌های بیولوژیکی و دارویی را یاد بگیرند.

تیم محقق از ۲۸ مدل یادگیری ماشین برای تولید ساختارهای مولکولی در طول مرحله تولید استفاده کرد، و مدل‌ها را با یادگیری تقویتی با استفاده از تابع پاداش بهینه کرد. آن‌ها طیف گسترده‌ای از روش‌های یادگیری ماشین برای بهره‌برداری از نمایش‌های مختلف مولکولی - رمزکننده‌های مولد، شبکه‌های مولد خصمانه، الگوریتم های ژنتیک و غیره به کار گرفتند. هر مدل تابع پاداش را برای بهره‌برداری از خوشه‌ها و تولید مولکول‌های جدید با نمرات بالا بهینه‌سازی می‌کرد، و بنابراین بعد از هر راه‌اندازی از محققان خط لوله مولد، ساختارهای بالاترین رتبه را برای تحلیل بعدی انتخاب می‌کردند. اینسیلیکو به طور فعال ترکیبات جدیدی را که با استفاده از این روش‌ها تولید کرده‌است، منتشر می‌کند. این شرکت می‌گوید که اگر چه در حال سنتز، آزمایش و بهینه‌سازی برخی از مولکول‌ها با استفاده از منابع خود است، همچنان به دنبال هم‌کاری برای کمک به این فرآیند است.

گسترش NCoV ۲۰۱۹ دارای تاثیر عمیق اقتصادی و اجتماعی جهانی است. عدم وجود استراتژی‌های ضد ویروسی موثر برای درمان گسترش و جلوگیری از عفونت‌ها خطر عفونت در جمعیت‌ها را افزایش داده‌است. درست هفته گذشته، مجله بررسی فن‌آوری MIT، تکنیک‌های اینسیلکو برای مولکول‌های کشف‌شده هوش مصنوعی را یکی از «۱۰ فن‌آوری خط‌شکن ۲۰۲۰» نامید. اگر ساختارهای مولکولی جدید طراحی‌شده توسط هوش مصنوعی بتوانند به آزادی بشریت از اپیدمی سال ۲۰۱۹ - nCoV کمک کنند، آن‌ها در صفحه اول اخبار قرار خواهند گرفت.

ترجمه این مقاله به صورت کاملا خودکار توسط مترجم هوشمند متن و مقاله ترجمیار انجام شده و پس از ویرایش و بازبینی محدود انسانی به انتشار رسیده است.