هوش مصنوعی انتخاب مولکول برای ساخت دارو را ساده می‌کند

آینده جهان با هوش مصنوعی (۱۶۹)؛

به گزارش خبرگزاری علم و فناوری نوتیفیکیت به نقل از اینترستینگ اینجینرینگ، دانشمندان از فناوری هوش مصنوعی برای توسعه دارو‌ها و به حداقل رساندن هزینه درمان بیماری‌های عفونی، سرطان، اختلالات عصبی، بیماری‌های نادر و… که به توجه فوری نیاز دارند، استفاده کردند.

اخیراً، محققان ام آی تی یک چارچوب الگوریتمی ابداع کرده‌اند که به طور خودکار نامزد‌های مولکولی بالقوه را از بین میلیارد‌ها انتخاب شناسایی می‌کند. 

این چارچوب که برنامه‌ریزی سنتز و بهینه‌سازی مسیر مبتنی بر پاداش «اسپارو» (SPARROW) نامیده می‌شود، با هدف کمینه کردن هزینه سنتز در حالی که احتمال داشتن خواص مورد نظر را به حداکثر می‌رساند، طراحی شده است.

«اسپارو» همچنین مواد و مراحل آزمایشی مورد نیاز برای سنتز این مولکول‌ها را تعیین می‌کند و به متخصصان کمک می‌کند تا هزینه سنتز را سنجیده و ارزیابی کنند.

توسعه دارو‌ها معمولاً به دلیل متغیر‌های مختلف، به ویژه در مورد شناسایی مؤثرترین و مقرون به صرفه‌ترین مولکول ها، فرآیندی طولانی، سخت و پیچیده است.

مدل‌های هوش مصنوعی، مانند چارچوب «اسپارو»، می‌توانند با ارائه راه‌حل‌هایی برای دانشمندان به ساده‌سازی فرآیند کمک کنند تا به چالش سنجش هزینه‌های ترکیب بهترین نامزد‌ها رسیدگی کنند.

طبق این بیانیه، «اسپارو» هزینه‌های سنتز یک دسته از مولکول‌ها را در نظر می‌گیرد، زیرا اغلب مولکول‌های نامزد را می‌توان از بعضی از همان ترکیبات شیمیایی استخراج کرد.

کانر کولی، استادیار توسعه شغلی در سال ۱۹۵۷ در بخش‌های مهندسی شیمی و مهندسی برق و علوم کامپیوتر ام آی تی گفت: از آنجایی که ما همه این مدل‌ها و ابزار‌های پیش‌بینی دیگر را داریم که به ما اطلاعاتی درباره نحوه عملکرد مولکول‌ها و نحوه سنتز آنها می‌دهند، می‌توانیم از این اطلاعات برای هدایت تصمیم‌هایی که می‌گیریم استفاده کنیم.

مدل هوش مصنوعی مولکول های دارویی بالقوه را شناسایی می کند

به عبارت ساده، این چارچوب مولکول های دارویی بالقوه و مسیرهای سنتز آنها را ارزیابی و داده های مربوط به این مولکول ها را جمع آوری می کند، سپس هزینه های تولید آنها را محاسبه می کند و خواص آنها را پیش بینی می کند. 

با استفاده از این اطلاعات، «اسپارو» با در نظر گرفتن ترکیبات شیمیایی مشترک و مراحل سنتز برای بهینه‌سازی کارایی، مقرون‌به‌صرفه‌ترین و امیدوارکننده‌ترین نامزدها را شناسایی می‌کند.این به دانشمندان کمک می کند تا بهترین مولکول ها را برای توسعه سریع و مقرون به صرفه داروهای جدید انتخاب کنند.

کولی گفت: وقتی به این بازی بهینه‌سازی طراحی دسته‌ای از مولکول‌ها فکر می‌کنید، هزینه اضافه کردن یک ساختار جدید به مولکول‌هایی که قبلاً انتخاب کرده‌اید بستگی دارد.

جنا فرومر، نویسنده اصلی مقاله خاطرنشان کرد: این همه بهینه‌سازی را در یک مرحله انجام می‌دهد، بنابراین می‌تواند واقعاً همه این اهداف رقابتی را به طور همزمان به دست آورد.

طبق گفته دانشمندان، این مدل به طور موثر هزینه های نهایی سنتز دسته ای را دریافت کرده و مراحل آزمایشی رایج و مواد شیمیایی میانی را شناسایی می کند. علاوه بر این، می‌تواند تا صدها نامزد مولکولی بالقوه را مدیریت کند.