بزرگنمایی:

تبسم مهر - تهران- ایرنا- گروهی از محققان الگوریتم یادگیری ماشینی برای دارورسانی طراحی کرده اند که دو برابر بیشتر از استانداردهای این صنعت کارآیی دارد و می‌تواند روند توسعه درمان‌های جدید بیماری‌ها را سرعت بخشد.

به گزارش روز سه شنبه گروه علمی ایرنا از پایگاه اطلاع رسانی علمی فیز/phys این گروه از محققان به سرپرستی دانشمندانی از دانشگاه کمبریج انگلیس از این الگوریتم برای شناسایی چهار مولکول جدید استفاده کردند که پروتئینی را فعال می‌کند. تصور می‌شود این پروتئین با ابتلا به بیماری آلزایمر و اسکیزوفرنی مرتبط باشد.
بر پایه این گزارش، کلیدی‌ترین مشکل در دارو رسانی این است که آیا یک مولکول روندی فیزیولوژیکی را فعال می‌کند یا خیر. طراحی مدلی آماری بر پایه جست وجوی الگوهای شیمیایی مشترک بین مولکول هایی که می‌دانیم یک روند را فعال می‌کنند، ممکن است، اما داده لازم برای طراحی این مدل‌ها محدود است؛ زیرا آزمایش‌ها در این زمینه پرهزینه است و هنوز نمی‌دانیم کدام الگوهای شیمیایی از نظر آماری قابل توجه هستند.
دکتر آلفا لی/Dr. Alpha Lee از آزمایشگاه کاوندیش دانشگاه کمبریج و پژوهشگر سرپرست این مطالعه می‌گوید: یادگیری ماشینی پیشرفت‌های مهمی را در حوزه هایی چون بینایی رایانه ای پدید آورده که داده به فراوانی در دست است.
وی ادامه داد: مرز بعدی کاوش در این حوزه، کاربردهای علمی مانند دارورسانی است که میزان داده به نسبت محدود است اما ما اطلاعات و برداشت هایی در مورد مشکل داریم و سوال این است که چطور بین داده‌ها و اصول بنیادین شیمی و فیزیک پیوندی پدید آوریم.
الگوریتمی که دکتر لی و گروه همکارش با همراهی شرکت داروسازی زیستی فیزر طراحی کرده اند، با استفاده از ریاضیات الگوهای شیمیایی مرتبط را از الگوهای غیرمرتبط جدا می‌کند.
طراحی این الگوریتم از آن جهت اهمیت دارد که هم مولکول‌های فعال و هم مولکول‌های غیرفعال را بررسی می‌کند و در نهایت تشخیص می‌دهد کدام بخش مولکول برای اقدام دارویی مهم است و کدام بخش‌ها اهمیتی ندارند. یک اصل ریاضی به نام نظریه ماتریس‌های تصادفی پیش بینی هایی در مورد مختصات مالی یک مجموعه داده به دست می‌دهد، نتایج این پیش بینی سپس با آمارهای مختصات شیمیایی مولکول‌های فعال و غیرفعال مقایسه می‌شود تا معلوم شود کدام یک از الگوهای شیمیایی واقعا الزام آور هستند در برابر الگوهایی که به طور تصادفی ترکیب می‌شوند.
این روش شناسی به محققان اجازه داد الگوهای شیمیایی مهم را نه تنها از مولکول‌های فعال بلکه از مولکول‌های غیرفعال نیز به دست آورند؛ به عبارت دیگر اکنون می‌توان با این روش از نتایج آزمایش‌های بی نتیجه استفاده کرد. محققان یک مدل را با 222 مولکول فعال آغاز کردند و در ادامه توانستند شش میلیون مولکول بیشتر را با رایانه بررسی کنند. آنها با استفاده از این توانستند 100 مولکول را بیابند که بیشترین ارتباط را داشتند و در نهایت 4 مولکول جدید را تعیین کردند که پروتئین گیرنده سی اچ ار ام 1/ CHRM1 receptor را فعال می‌کنند؛ پروتئینی که در ابتلا به بیماری‌های آلزایمر و اسکیزوفرنی می‌تواند موثر باشد.
دکتر لی گفت: توانایی یافتن چهار مولکول فعال از مجموع شش میلیون مولکول مانند یافتن سوزنی در انبار کاه است، مقایسه تک به تک به ما نشان داد که الگوریتم ما دوبرابر کارآمدتر از سطح استاندارد صنعت است.
ساخت مولکول‌های پیچیده آلی یکی از چالش‌های اصلی در شیمی است و محققان دانشگاه کمبریج اکنون در حال طراحی الگوریتمی هستند که راه‌های سنتز مولکول‌های آلی پیچیده را پیش بینی می‌کند، همچنین توسعه روش شناسی یادگیری ماشینی برای کشف مواد.
مقاله ای مفصل از یافته‌های این مطالعه در هفته نامه مقالات آکادمی ملی علوم ایالات متحده آمریکا/PNAS چاپ شده است.
علمی**9157**1440
انتهای پیام /*