فناوری جدیدی که توسط پروفسور هایپینگ لو و همکارانش توسعه یافته است از کاهش سرعت کشف دارو‌ها با استفاده از هوش مصنوعی خبر می‌دهد.

این مطالعه نشان می‌دهد هوش مصنوعی که DrugBAN نام دارد، می‌تواند پیش‌بینی کند که آیا داروی کاندید با مولکول‌های پروتئین هدف مورد نظر خود در داخل بدن انسان تداخل خواهد داشت یا خیر.

فناوری توسعه‌یافته توسط محققان شفیلد و آسترازنکا می‌تواند این کار را با دقت بیشتری انجام داده و بینش‌های مفیدی را برای کمک به دانشمندان به منظور درک نحوه تعامل دارو‌ها با شرکای پروتئینی خود در مولکولی ارائه دهد.

هوش مصنوعی این پتانسیل را دارد که بگوید آیا یک دارو با موفقیت با پروتئین مرتبط با سرطان درگیر می‌شود یا این که آیا یک داروی کاندید به اهداف ناخواسته در بدن متصل شده و منجر به عوارض جانبی نامطلوب برای بیماران می‌شود یا خیر.

هوش مصنوعی برای یادگیری زیرساخت‌های پروتئین‌ها در بدن انسان و همچنین زیرساخت‌های ترکیبات دارویی آموزش دیده است. این فناوری یاد می‌گیرد که چگونه این زیرساخت‌ها می‌توانند با یکدیگر تعامل داشته باشند و از آن برای پیش‌بینی در مورد نحوه احتمال رفتار دارو‌های جدید استفاده کنند.

هایپینگ لو، پروفسور یادگیری ماشین در دانشگاه شفیلد، گفت: ما هوش مصنوعی را با دو هدف اصلی طراحی کردیم. نخست این که ما می‌خواهیم هوش مصنوعی نحوه تعامل دارو‌ها با اهداف خود را در مقیاس دقیق‌تر نشان دهد؛ زیرا این می‌تواند بیولوژیکی مفیدی را ارائه دهد. بینش‌هایی برای کمک به محققان برای درک این فعل و انفعالات در سطح مولکولی. دوم این که ما می‌خواهیم این ابزار بتواند پیش بینی کند که این فعل و انفعالات با دارو‌های جدید یا اهداف چه خواهد بود تا به تسریع روند پیش بینی کلی کمک کند. مطالعه‌ای که امروز منتشر کردیم نشان می‌دهد مدل هوش مصنوعی ما هر دوی این‌ها را انجام می‌دهد.

کلید طراحی هوش مصنوعی این است که چگونه این مدل فعل و انفعالات زیرساختی دوتایی را یاد می‌گیرد؛ فعل و انفعالات متعددی که می‌توانند بین زیرساخت‌های ترکیبات دارویی و پروتئین‌ها در بدن اتفاق بیفتند. در مرحله بعدی توسعه هوش مصنوعی، تیم قصد دارد از داده‌های عمیق‌تری در مورد ساختار ترکیبات و پروتئین‌ها استفاده کند تا هوش مصنوعی را دقیق‌تر کند.

دکتر بینو جان، مدیر علوم داده، فارماکولوژی بالینی و علوم ایمنی در شرکت آسترازنکا گفت: یکی از موارد جدید DrugBAN تکیه آن بر یک شبکه توجه دوخطی است که به آن اجازه می‌دهد تا تعاملات را از زیرساخت‌های هر دو دارو و دارو بیاموزد. ما همچنین کد منبع را به صورت رایگان در دسترس عموم قرار داده‌ایم که امیدواریم از رویکرد‌های هوش مصنوعی بیشتری پشتیبانی کند که به تسریع کشف دارو ادامه می‌دهد.

کشف و توسعه دارو با استفاده از روش‌های سنتی، با زمان‌های طولانی توسعه و هزینه‌های هنگفت، می‌تواند بسیار دشوار باشد. با این حال فرآیند‌های کشف دارو پتانسیل تسریع قابل توجهی را دارند. با پیشرفت در هوش مصنوعی و فناوری دیجیتال، محققان در حال یافتن راه‌های جدیدی برای تعیین دقیق پروتئین‌هایی هستند که یک دارو ممکن است در بدن ما با آن‌ها تداخل داشته باشد.

نیک براون، رئیس بخش تصویربرداری و تجزیه و تحلیل داده در آسترازنکا گفت: من واقعا از دیدن این مقاله هیجان زده هستم، به ویژه به این دلیل که برخلاف سایر رویکردها، DrugBAN به طور همزمان از دارو‌های کاندید و اهداف آن‌ها با استفاده از یک شبکه توجه دوخطی می‌آموزد و به صراحت طراحی شده است.

پروفسور گای براون، رئیس دپارتمان علوم کامپیوتر دانشگاه شفیلد، افزود: تحقیقات ما در شفیلد به شدت با انگیزه ایجاد تغییر مثبت در زندگی مردم است و ما تعامل با رهبران صنعتی مانند آسترازنکا را برای خود ضروری می‌بینیم؛ این تحقیقات هیجان انگیزی هستند که امیدواریم پیشرفت‌های قابل توجهی در طراحی روش‌های درمانی ایجاد کنند. این رویکرد همچنین به دلیل تمرکز بر تفسیرپذیری متمایز است و متخصصان انسانی را قادر می‌سازد از بینش‌های تولید شده توسط سیستم هوش مصنوعی بهره‌مند شوند.

منبع: مدیکال اکسپرس