بزرگنمايي:

سیاست و بازاریابی - ایسنا / یک مدل هوش مصنوعی (AI) که بر اساس داده‌های پیچیده سلول‌های انسانی آموزش دیده است، می‌تواند در رقابت برای توسعه داروهای جدید، میانبری را فراهم کند.
استفاده از هوش مصنوعی برای سرعت بخشیدن به فرآیند خسته‌کننده جستجو در میان مجموعه‌های عظیم ترکیبات شیمیایی به منظور یافتن ترکیباتی که می‌توانند به درمان بزرگ بعدی تبدیل شوند، می‌تواند مفید باشد.
بازار
به نقل از نیچر، هونگکوی دنگ، زیست‌شناس سلولی در دانشگاه پکینگ در پکن که در این کار مشارکتی نداشته است، می‌گوید: این یک طرح اولیه قدرتمند برای آینده است. این یک سیستم غربالگری «هوشمند» ایجاد می‌کند که از آزمایش‌های خود درس می‌گیرد.
برای دهه‌ها، محققان با بررسی کتابخانه‌های بزرگ شیمیایی و آزمایش اثر هر ترکیب بر روی سلول‌هایی که در آزمایشگاه رشد می‌کنند، به دنبال داروها بوده‌اند. این رویکرد موفقیت‌آمیز بوده است، به عنوان مثال، داروهایی را شناسایی کرده‌اند که سلول‌های سرطانی را از بین می‌برند.
محققان به طور فزاینده‌ای در رؤیای روش‌های غربالگری پیچیده‌تری هستند که بتوانند از انفجار داده‌های ژنومی جمع‌آوری‌شده از سلول‌های منفرد در دهه گذشته بهره‌برداری کنند. چنین روش‌هایی از نظر تئوری می‌توانند ارزیابی کنند که چگونه ترکیبات، کل شبکه‌های فعالیت ژن را مختل می‌کنند که می‌تواند راه‌های جدیدی را برای کشف دارو ممکن کند.
با این وجود الکس شالک، مهندس زیست‌پزشکی در مؤسسه فناوری ماساچوست در کمبریج، می‌گوید محققان معمولا ده‌ها هزار ترکیب یا بیشتر را برای کشف دارو غربالگری می‌کنند و او می‌گوید ادغام چنین غربالگری‌های بزرگی با سنجش‌های پیچیده بسیار پرهزینه و پرزحمت خواهد بود.
برای یافتن راهی آسان برای بهره‌برداری از داده‌های ژنومی تازه در دسترس، شالک با دیگر محققان و یک شرکت زیست‌فناوری در سامرویل، ماساچوست، همکاری کرد. این گروه با همکاری یکدیگر، یک مدل یادگیری عمیق به نام DrugReflector را بر اساس داده‌های عمومی در مورد چگونگی اختلال فعالیت ژن‌ها توسط هر یک از تقریبا 9600 ترکیب شیمیایی در بیش از 50 نوع سلول آموزش دادند.
آنها از DrugReflector برای یافتن مواد شیمیایی که می‌توانند بر تولید پلاکت‌ها و گلبول‌های قرمز خون تأثیر بگذارند، استفاده کردند. این ویژگی‌ می‌تواند در درمان برخی از بیماری‌های خونی مفید باشد. سپس 107 مورد از این مواد شیمیایی را آزمایش کردند تا مشخص کنند که آیا اثر پیش‌بینی‌شده را دارند یا خیر.
در مجموع، گروه تحقیقاتی دریافت که DrugReflector در یافتن ترکیبات مرتبط تا 17 برابر مؤثرتر از غربالگری دارویی استاندارد است. هنگامی که محققان برای گنجاندن داده‌های دور اول غربالگری خود در مدل، به عقب برگشتند، میزان موفقیت آن دو برابر شد.
صرفه‌جویی در نیروی کار
بیسان اللزیکانی، دانشمند داده‌های سرطان در مرکز سرطان ام‌دی اندرسون دانشگاه تگزاس در هوستون، می‌گوید این رویکرد می‌تواند نیروی کار مورد نیاز برای غربالگری داروهای جدید را به شدت کاهش دهد. او می‌گوید: شما می‌توانید به جای یک میلیون ترکیب، چند صد ترکیب را غربالگری کنید.
دنگ می‌گوید روش‌هایی مانند این می‌تواند به اعضای آزمایشگاهش کمک کند تا ترکیباتی را جستجو کنند که می‌توانند سلول‌ها را برای گرفتن هویت‌های جدید، دوباره برنامه‌ریزی کنند. آزمایشگاه او سال‌ها صرف غربالگری مواد شیمیایی کرده است که می‌توانند سلول‌های بنیادی را به سلول‌های تولیدکننده انسولین تبدیل کنند که می‌توانند برای درمان دیابت استفاده شوند.
دنگ خاطرنشان می‌کند، اما در حال حاضر DrugReflector محدود به ارزیابی 9600 ترکیب موجود در مجموعه آموزشی خود است و نمی‌تواند مولکول‌های واقعا جدیدی را کشف کند.
در نهایت، رؤیا، طراحی سیستمی است که بتواند اثرات زیستی یک مولکول را مستقیما از ساختار شیمیایی آن پیش‌بینی کند. دنگ می‌گوید: فناوری‌های فعلی امیدوارکننده هستند. اما دقت و توانایی تعمیم آنها هنوز نیاز به پیشرفت قابل توجهی دارد.