شرکت های داروسازی از هوش مصنوعی برای ساده سازی فرآیند کشف داروهای جدید استفاده می کنند. مدل های یادگیری ماشینی می توانند مولکول های جدیدی را پیشنهاد کنند که دارای ویژگی های خاصی هستند که می توانند با بیماری های خاصی مبارزه کنند و در عرض چند دقیقه کاری را انجام می دهند که ممکن است ماه ها طول بکشد تا انسان به صورت دستی به آن دست یابد. اما یک مانع بزرگ در این راه وجود دارد که این سیستم ها را متوقف می کند: مدل ها اغلب ساختارهای مولکولی جدیدی را پیشنهاد می کنند که تولید آن ها در آزمایشگاه دشوار یا غیرممکن است. اگر شیمیدان واقعا نتواند این مولکول را بسازد، خواص مبارزه با بیماری آن را نمی توان آزمایش کرد.
رویکرد جدید محققان MIT یک مدل یادگیری ماشینی را محدود می کند، بنابراین فقط ساختارهای مولکولی را پیشنهاد می کند که می توانند سنتز شوند. این روش تضمین می کند که مولکول ها از موادی تشکیل شده اند که می توان آن ها را خریداری کرد و واکنش های شیمیایی که بین آن مواد رخ می دهد، از قوانین شیمی پیروی می کند. در مقایسه با روش های دیگر، مدل آن ها ساختارهای مولکولی را پیشنهاد کرد که با استفاده از ارزیابی های رایج امتیاز بالایی و گاهی بهتر داشتند، اما قابل سنتز بودن تضمین شده بودند. سیستم آن ها همچنین کمتر از یک ثانیه طول می کشد تا یک مسیر مصنوعی را پیشنهاد کند، در حالی که روش های دیگر که به طور جداگانه مولکول ها را پیشنهاد می کنند و سپس سنتزپذیری آن ها را ارزیابی می کنند، ممکن است چند دقیقه طول بکشد. در فضای جستجویی که می تواند شامل میلیاردها مولکول بالقوه باشد، این صرفه جویی در زمان جمع می شود.
کانر کولی، استادیار توسعه شغلی هنری اسلزینگر در بخش‌های مهندسی شیمی و مهندسی برق و علوم کامپیوتر MIT و نویسنده ارشد می گوید: “این فرآیند نحوه درخواست ما از این مدل ها برای تولید ساختارهای مولکولی جدید را دوباره فرموله می کند. بسیاری از این مدل ها به ساخت ساختارهای مولکولی جدید اتم به اتم یا پیوند به پیوند فکر می کنند. در عوض، ما در حال ساختن مولکول های جدید با بلوک های ساختمانی و واکنش با واکنش هستیم.” اولین نویسنده، ونهائو گائو، دانشجوی کارشناسی ارشد، و روسیو مرکادو، فوق دکترا، به کولی در این مقاله می پیوندند. این تحقیق در این هفته در کنفرانس بین المللی بازنمایی های یادگیری ارائه می شود.
برای ایجاد یک ساختار مولکولی، مدل فرآیند سنتز یک مولکول را برای اطمینان از تولید آن شبیه سازی می کند. این مدل، مجموعه ای از بلوک های ساختمانی قابل دوام که مواد شیمیایی قابل خریداری هستند و فهرستی از واکنش های شیمیایی معتبر برای کار با آن ها ارائه می شود. این الگوهای واکنش شیمیایی دست ساز توسط متخصصین ساخته شده است. کنترل این ورودی ها تنها با اجازه دادن به مواد شیمیایی خاص یا واکنش های خاص، محققان را قادر می سازد تا فضای جستجوی یک مولکول جدید را محدود کنند. این مدل از این ورودی ها برای ساختن یک درخت با انتخاب بلوک های ساختمانی و پیوند دادن آن ها از طریق واکنش های شیمیایی، یک به یک برای ساختن مولکول نهایی استفاده می کند. در هر مرحله، مولکول پیچیده تر می شود، زیرا مواد شیمیایی و واکنش های اضافی اضافه می شود. هم ساختار مولکولی نهایی و هم درختی از مواد شیمیایی و واکنش‌هایی را که می‌توانند آن را سنتز کنند، تولید می کند. گائو می‌گوید: “به جای این که مستقیما خود مولکول محصول را طراحی کنیم، یک توالی عمل برای به دست آوردن آن مولکول طراحی می کنیم. این امر به ما امکان می دهد کیفیت سازه را تضمین کنیم.” برای آموزش مدل، محققان یک ساختار مولکولی کامل و مجموعه ای از بلوک های سازنده و واکنش های شیمیایی را وارد می کنند و مدل یاد می گیرد که درختی بسازد که مولکول را سنتز کند. پس از دیدن صدها هزار نمونه، مدل یاد می گیرد که به تنهایی این مسیرهای مصنوعی را ارائه دهد.
مدل آموزش دیده می تواند برای بهینه سازی استفاده شود. محققان با توجه به بلوک های ساختمانی خاص و الگوهای واکنش شیمیایی، ویژگی های خاصی را که می خواهند در یک مولکول نهایی به دست آورند، تعریف می کنند و این مدل یک ساختار مولکولی قابل سنتز را پیشنهاد می کند. مرکادو می‌گوید: “آنچه شگفت انگیز بود این است که چه بخش بزرگی از مولکول ها را می توانید با چنین مجموعه قالب کوچکی بازتولید کنید. شما برای ایجاد حجم زیادی از فضای شیمیایی موجود برای جستجوی مدل، به بلوک های ساختمانی زیادی نیاز ندارید.” آن ها این مدل را با ارزیابی میزان خوبی که می تواند مولکول های قابل سنتز را بازسازی کند، آزمایش کردند و توانست 51 درصد از این مولکول ها را بازتولید کند و بازآفرینی هر یک کمتر از یک ثانیه طول کشید. تکنیک آن ها سریعتر از روش های دیگر است، زیرا مدل در تمام گزینه ها برای هر مرحله در درخت جستجو نمی کند. گائو توضیح می دهد که مجموعه ای از مواد شیمیایی و واکنش های مشخصی برای کار کردن دارد. هنگامی که آن ها از مدل خود برای پیشنهاد مولکول هایی با ویژگی های خاص استفاده کردند، روش آن ها ساختارهای مولکولی با کیفیت بالاتری را پیشنهاد کرد که پیوندهای پیوندی قوی تری نسبت به روش های دیگر داشتند. این بدان معناست که مولکول ها بهتر می توانند به پروتئین بچسبند و فعالیت خاصی مانند توقف تکثیر ویروس را مسدود کنند. به عنوان مثال، هنگام پیشنهاد مولکولی که بتواند با SARS-Cov-2 متصل شود، مدل آن ها چندین ساختار مولکولی را پیشنهاد کرد که ممکن است بهتر از مهارکننده های موجود با پروتئین های ویروسی متصل شوند. همان طور که نویسندگان اذعان می کنند، با این حال، این ها فقط پیش بینی های محاسباتی هستند.
گائو می گوید: “بیماری های زیادی برای مقابله با آن ها وجود دارد. امیدوارم روش ما بتواند این فرآیند را تسریع بخشد تا مجبور نباشیم هر بار میلیاردها مولکول را برای یک هدف بیماری غربال کنیم. در عوض، ما فقط می توانیم ویژگی هایی را که می خواهیم را مشخص کنیم و این امر می تواند روند یافتن آن داروی کاندید را تسریع کند.” مدل آن ها همچنین می تواند خطوط لوله کشف داروی موجود را بهبود بخشد. مرکادو می گوید اگر یک شرکت، مولکول خاصی را شناسایی کرده است که دارای خواص مطلوب است، اما نمی‌تواند تولید شود، می تواند از این مدل برای پیشنهاد مولکول های قابل سنتز که بسیار شبیه به آن هستند، استفاده کند. اکنون که آن ها رویکرد خود را تایید کرده اند، تیم قصد دارد به بهبود الگوهای واکنش شیمیایی ادامه دهد تا عملکرد مدل را افزایش دهد. با الگوهای اضافی، آن ها می توانند آزمایش های بیشتری را روی اهداف بیماری خاص انجام دهند و در نهایت، این مدل را در فرآیند کشف دارو اعمال کنند. ماروین سگلر، سرپرست تیمی که بر روی یادگیری ماشینی برای کشف دارو در مایکروسافت ریسرچ کمبریج (بریتانیا) کار می‌کند، می‌گوید: “در حالت ایده‌آل، ما الگوریتم هایی می خواهیم که به طور خودکار مولکول ها را طراحی کنند و درخت سنتز را همزمان و به سرعت به ما بدهند.” این رویکرد زیبا توسط پروفسور کولی و تیم یک گام بزرگ به جلو برای مقابله با این مشکل است. در حالی که کارهای اثبات مفهوم قبلی برای طراحی مولکول از طریق تولید درخت سنتز وجود دارد، این تیم واقعا این کار را انجام داد. برای اولین بار، آن ها عملکرد عالی را در مقیاس معنی دار نشان دادند، بنابراین می تواند تاثیر عملی در کشف مولکولی به کمک رایانه داشته باشد. این کار همچنین بسیار هیجان انگیز است، زیرا در نهایت می تواند الگوی جدیدی را برای برنامه ریزی سنتز به کمک رایانه فعال کند. احتمالا الهام بخش بزرگی برای تحقیقات آینده در این زمینه خواهد بود. این تحقیق تا حدی توسط دفتر تحقیقات نیروی دریایی ایالات متحده و کنسرسیوم یادگیری ماشینی برای کشف و سنتز دارویی پشتیبانی شد.
www.nn4e.com
nn4e@aol.com
شناسه تلگرام @nimanamira
09360703858
کانال تلگرام https://t.me/nn4enamira
کانال تام تام https://tt.me/nn4enamira
اینستاگرام https://www.instagram.com/nn4enamira