این داروهای عجیب را هوش مصنوعی طراحی نموده است! - مجله کالارنا

پیدا کردن داروهای نو یا کشف دارو کاری پرهزینه و وقت گیر است. اما نوعی از هوش مصنوعی به نام یادگیری ماشین می تواند این فرایند را تسریع کند و با هزینه ای بسیار پایین این کار را انجام دهد.

گروهی از پژوهشگران دانشگاه ادینبرو اخیراً از یادگیری ماشین برای پیدا کردن داروهای سنولیتیک استفاده نموده اند. سنولیتیک ها داروهایی هستند که روند پیری را کند و از بیماری های مرتبط با پیری پیشگیری می نمایند.

داروهای سنولیتیک با از بین بردن سلول های پیر عمل می نمایند. سلول های پیر از نظر متابولیکی فعال هستند، اما نمی توانند تکثیر شوند و بنابراین به سلول های زامبی معروف هستند.

ناتوانی در تکثیر شدن لزوماً اتفاق بدی نیست. دی ان ای این سلول ها آسیب دیده است (برای مثال سلول های پوستی که از طریق اشعه خورشید آسیب دیده اند)، بنابراین توقف تکثیر مانع از توسعه آسیب می گردد.

سلول های پیر همواره چیز خوبی نیستند. آن ها ترکیبی از پروتئین های التهابی را ترشح می نمایند که می توانند به سلول های مجاور برسند.

در طول زندگی، سلول های ما مورد حملات موارد مختلفی از اشعه فرابنفش گرفته تا مواد شیمیایی قرار می گیرند و سلول های پیر در بدن ما تجمع پیدا می نمایند. افزایش تعداد سلول های پیر در طیف وسیعی از بیماری ها ازجمله دیابت نوع دو، کووید، فیبروز ریه، استئوآرتریت و سرطان نقش دارد.

مطالعات اجرا شده روی موش های آزمایشگاهی نشان داده است حذف سلول های پیر با استفاده از سنولیتیک ها می تواند بیماری های مذکور را بهبود بخشد. این داروها می توانند سلول های زامبی را از بین ببرند، ولی به سلول های سالم کاری ندارند.

حدود 80 سنولیتیک شناخته شده، اما فقط دو موارد از آن ها روی انسان آزمایش شده است: ترکیبی از داساتینیب و کوئرستین. پیدا کردن سنولیتیک های بیشتر که بتوانند در درمان بیماری های مختلف استفاده شوند، بسیار عالی است، اما ده تا بیست سال زمان و میلیاردها دلار احتیاج است تا دارویی وارد بازار گردد.

نتایج در پنج دقیقه

پژوهشگران دانشگاه ادینبرو و مرکز تحقیقات IBBTEC-CSIC اسپانیا می خواستند بدانند که آیا می توانند مدل های یادگیری ماشین را به منظور شناسایی سنولیتیک های نو آموزش بدهند. آن ها نمونه هایی از داروهای سنولیتیک و داروهای غیرسنولیتیک را وارد مدل کردند. مدل ها یاد گرفتند بین دو نوع داروها تمایز قائل شوند و بنابراین می توانستند برای پیش بینی این موضوع استفاده شوند که آیا مولکول هایی که قبلاً ندیده اند از نوع سنولیتیک ها هستند یا نه.

حین حل کردن یک مسئله یادگیری ماشین، معمولاً در ابتدا داده ها روی مدل های مختلف آزمایش می شوند، زیرا بعضی از مدل ها بهتر عمل می نمایند. برای معین مدلی که برترین عملکرد را دارد، پژوهشگران بخش کوچکی از داده های آموزشی را جدا می نمایند و آن ها را تا خاتمه فرایند یادگیری از مدل مخفی نگه می دارند. آن ها سپس از داده های آزمایشی برای معین تعداد خطاهای مدل استفاده می نمایند. مدلی که کمترین خطا را داشته باشد، انتخاب می گردد.

به این ترتیب، پژوهشگران برترین مدل را معین کردند و از آن برای پیش بینی استفاده کردند. آن ها 4340 مولکول را وارد مدل کردند و پنج دقیقه بعد فهرستی از نتایج را به دست آوردند. مدل هوش مصنوعی 21 مولکول با امتیاز بالا را شناسایی کرد که به نظر می رسید احتمال اینکه سنولیتیک باشند، بالاتر از بقیه مولکول ها است.

اگر پژوهشگران می خواستند 4340 مولکول اولیه را در آزمایشگاه آزمایش نمایند، حداقل چند هفته کار فشرده و 50 هزار پوند فقط برای خرید ترکیبات احتیاج داشتند. علاوه براین، هزینه دستگاه ها و راه اندازی نیز وجود داشت.

داروهای انتخابی روی دو نوع سلول آزمایش شد: سلول های سالم و سلول های پیر. از میان 21 ترکیب مورد آزمایش، سه ترکیب (جینگژین، پری پلوسین و اولاندرین) توانستند سلول های پیر را از بین ببرند درحالی که بیشتر سلول های طبیعی را زنده نگه دارند. پژوهشگران سه سنولیتیک نو را تحت آزمایش های بیشتری قرار دادند تا درمورد نحوه عمل آن ها در بدن اطلاعاتی به دست بیاورند. آزمایش های زیستی دقیق تر نشان داد اولاندرین از همه مؤثرتر است.

اولاندرین ترکیبی است که در گیاه خرزهره یافت می گردد.

پیامدهای بالقوه این رویکرد میان رشته ای که شامل دانشمندان داده، شیمیدان ها و زیست شناسان می گردد، بسیار چشمگیر است. با توجه به وجود داده های باکیفیت، مدل های هوش مصنوعی می توانند به دانشمندان یاری نمایند تا با سرعت بیشتری درمان هایی برای بیماری های مختلف پیدا نمایند.

پژوهشگران با اثبات تأثیر داروهای انتخابی روی سلول های پیر، اکنون درحال آزمایش آن ها روی بافت ریه انسان هستند و امیدوارند نتایج خود را تا دو سال آینده گزارش نمایند.

227227