سرگرمی

هوش‌مصنوعی داروها را هزار بار سریع‌تر از روش‌های کنونی کشف می‌کند – تی ام گیم

  • هوش‌مصنوعی داروها را هزار بار سریع‌تر از روش‌های کنونی کشف می‌کند – تی ام گیم

    محققان یک مدل هوش‌مصنوعی ساخته‌اند که می‌تواند مولکول‌های دارویی بالقوه را بیش از هزار بار سریع‌تر از شیوه‌های پیشرفته کنونی کشف ‌کند.

    طبق اعلام این گروه تحقیقاتی «موسسه فناوری ماساچوست» (MIT)، این مدل هوش‌ مصنوعی که «اکویی‌ بایند» (EquiBind) نام دارد، احتمال و هزینه شکست آزمون‌های دارویی را به طرز چشم‌گیری کاهش خواهد داد.

    به گزارش تی ام گیم و به نقل از ایندیپندنت، تعداد مولکول‌های دارای ویژگی‌های شبه‌دارویی (drug-like) بالقوه سر به فلک می‌زند و حدود ۱۰ به توان ۶۰ برآورد شده است. در مقام مقایسه، تعداد ستارگان کهکشان راه شیری حدود ۱۰ به توان ۸ است.

    مدل «اکویی‌بایند» با سرعتی هزار و ۲۰۰ برابر سرعت سریع‌ترین مدل‌های موجود رایانشی جورسازی مولکولی (computational molecular docking)، می‌تواند این مولکول‌های شبه‌‌دارویی را با موفقیت به پروتئین‌ها پیوند بزند.

    «اکویی‌بایند» این کار را با استفاده از استدلال هندسی تعبیه‌ شده در خودش انجام می‌دهد که امکان می‌دهد پیش‌بینی کند کدام پروتئین‌ها با مولکولی جفت و جور می‌شوند؛ بی‌آنکه پیشاپیش از بسته هدف آن هیچ گونه آگاهی داشته باشد.

    هانس استارک، دانشجوی سال اول کارشناسی ارشد در گروه مهندسی برق و علوم رایانه ام‌آی‌تی و نویسنده اصلی مقاله تشریح‌ کننده این تحقیق، می‌گوید: «وقتی دیدیم که شیوه‌های دیگر به کلی نادرست عمل می‌کردند یا فقط یک مورد را درست انجام می‌دادند، اما اکویی‌بایند می‌توانست آن را در بسته درست قرار دهد، حیرت کردیم. بنابراین از دیدن این نتایج خیلی خوشحال شدیم.»
     

    هوش‌مصنوعی داروها را هزار بار سریع‌تر از روش‌های کنونی کشف می‌کند - تی ام گیم

    این یافته‌ها پیشاپیش توجه دست‌اندرکاران صنعت دارویابی/داروسازی را جلب کرده است و امیدوارند بتوان از آن‌ها برای یافتن درمان سرطان ریه، سرطان خون و تومورهای  دستگاه گوارش استفاده کنند.

    پت والترز، کارشناس ارشد داده‌ها در شرکت کشف مواد دارویی «ریلی تراپیوتیکز»(Relay Therapeutics)، می‌گوید: «اکویی‌بایند راهکار منحصر‌به‌فردی برای مشکل جورسازی به دست می‌دهد که هم پیش‌بینی وضعیت، هم شناسایی محل ترکیب (binding sit) را انجام می‌دهد.»

    «این رهیافت که اطلاعات برگرفته از هزاران ساختار کریستالی در دسترس عموم را به کار می‌گیرد، قابلیت آن را دارد که به روش‌های جدیدی بر این حوزه اثر بگذارد.»

    این مقاله علمی با عنوان« اکویی‌بایند: یادگیری ژرف هندسی در خدمت پیش‌بینی ساختار پیوند دارویی» در «همایش بین‌المللی یادگیری ماشین» (ICML) عرضه خواهد شد.

    میانگین امتیازات ۵ از ۵
    از مجموع ۱ رای

    نوشته های مشابه

    دیدگاهتان را بنویسید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    دکمه بازگشت به بالا