یك مدل كامپیوتری كه تركیبات موثر بر كروناویروس را شناسایی می كند
به گزارش گوپا پژوهشگران ˮدانشگاه اوهایوˮ در بررسی جدید خود، یک مدل کامپیوتری طراحی نموده اند که می تواند ترکیبات امیدوارکننده برای مقابله با کروناویروس را شناسایی کند.
به گزارش گوپا به نقل از ایسنا و به نقل از وبسایت رسمی دانشگاه اوهایو، یک مدل جدید یادگیری عمیق که می تواند نحوه تعامل ژن ها و داروها را شناسایی کند، حداقل ۱۰ ترکیب را شناسایی کرده است که امکان دارد برای درمان کووید-۱۹ امیدوارکننده باشند.
همه داروها به جز دو مورد، هنوز جهت بررسی کارایی در مقابل هپاتیت C، بیماری های قارچی، سرطان و بیماری قلبی تحت آزمایش قرار دارند. این لیست، داروهای تایید شده مانند "سیکلوسپورین"(cyclosporine) را شامل می شود که سرکوب کننده سیستم ایمنی بدن است و از رد عضو پیوند زده شده جلوگیری می کند. یک داروی دیگر، "آنیدولافونژین"(anidulafungin) نام دارد که یک عامل ضد قارچ است.
این کشف توسط دانشمندان حوزه کامپیوتر صورت گرفته است. ازاین رو قبل از تایید هر یک از این داروها بعنوان درمان های ایمن و موثر برای افراد مبتلا به کروناویروس، باید پژوهش های بیشتری صورت گیرد اما دانشمندان با استفاده از هوش مصنوعی برای دستیابی به این گزینه ها، به پژوهشگران دارویی و بالینی کمک کردند تا در زمان و هزینه ای که به بررسی داروهای کووید-۱۹ اختصاص می دهند، صرفه جویی کنند.
"پینگ ژانگ"(Ping Zhang)، از پژوهشگران این پروژه اظهار داشت: هنگامی که هیچ کس اطلاعاتی در مورد یک بیماری جدید ندارد، این مدل نشان داده است که چگونه هوش مصنوعی می تواند مشکل نحوه در نظر گرفتن یک درمان بالقوه را حل کند.
ژانگ و همکارانش، طراحی این مدل را در ماه مه سال ۲۰۲۰ تکمیل کردند. اطلاعات جدید، آزمون مهمی را برای این مدل کامپیوتری معروف به "DeepCE" فراهم نموده است.
این مدل کامپیوتری برای پیشبینی در مورد نحوه تعامل ژن ها و داروها و همینطور عرضه گزینه های دارویی، به دو منبع اصلی در دسترس عموم تکیه دارد؛ "L1000" که مخزن داده های در ارتباط با سلول های انسانی است و توسط "موسسه ملی سلامت" بنیان گذاری شده و نشان داده است که چگونه بیان ژن در واکنش به داروها تغییر می کند. دومین منبع، "DrugBank" است که اطلاعاتی را در مورد ساختارهای شیمیایی و سایر جزئیات در ارتباط با ۱۱ هزار داروی تایید شده و تحت بررسی در بر دارد.
پژوهشگران دانشگاه اوهایو، مدل DeepCE را با اجرای همه داده های L1000 و به واسطه یک الگوریتم، در مورد ترکیبات شیمیایی خاص و دوزهای آنها آموزش دادند. این مدل، توضیحات در ارتباط با ترکیبات شیمیایی را به شکل تبدیل می کند و امکان بررسی اثرات آنها را بر ژن ها فراهم می سازد. پژوهشگران جهت بررسی ژن هایی که در L1000 نمایش داده نشدند، از یک روش یادگیری عمیق معروف به "مکانیسم توجه" استفاده کردند تا یادگیری مدل را در مورد تعامل ترکیب شیمیایی و ژن بالا برند و عملکرد چارچوب را بهبود ببخشند.
ژانگ اظهار داشت: ما با این روش نه تنها می توانیم مقدار بیان ژن را برای ترکیبات شیمیایی جدید از سلول به سلول پیشبینی نماییم، بلکه می توانیم به پیشبینی نقش یک دارو در رده های سلولی متفاوت و ژن های گوناگون بپردازیم. ما می توانیم از کامپیوتر برای شبیه سازی بیان ژن ناشی از دارو استفاده نماییم.
وی ادامه داد: بررسی ها باید در اینجا متوقف می شد اما بعد از آن، همه گیری کووید-۱۹ شروع شد و ما این امید را داشتیم که پژوهش ما بتواند به مقابله با کووید-۱۹ کمک کند؛ ازاین رو یک مطالعه موردی ویژه برای تجویز مجدد داروی کووید-۱۹ انجام دادیم.
پژوهشگران، ماتریس بیان ژن DeepCE را با تمرکز بر داده های به دست آمده از سلول های ریه و راه هوایی و همه ترکیبات DrugBank به کار گرفتند تا اطلاعات ژنتیکی عرضه شده در مقالات ابتدایی کووید-۱۹ و داده های دولتی را بررسی نمایند. داده های کووید-۱۹ نشان داد که چگونه بیان ژن انسان، در مقابل مبتلا شدن به کروناویروس واکنش نشان داده است و یک "امضای بیماری" به وجود می آورد.
این مدل، روشی را برای ترکیب مجدد دارو عرضه می دهد.
این پژوهش، در مجله "Nature Machine Intelligence" به چاپ رسید.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب