اخیراً محققان از هوش مصنوعی برای سرعت بخشیدن به کشف درمان های بیماری پارکینسون استفاده کرده اند.
من گزارش میدم تکناکمحققان دانشگاه کمبریج یک استراتژی مبتنی بر هوش مصنوعی برای شناسایی ترکیباتی که از تجمع یا تجمع آلفا سینوکلئین، پروتئینی که بیماری پارکینسون را مشخص می‌کند، مهار می‌کنند، طراحی و استفاده کردند.
تیم تحقیقاتی از تکنیک‌های یادگیری ماشینی برای بررسی سریع یک کتابخانه شیمیایی حاوی میلیون‌ها مدخل استفاده کرد و پنج ترکیب بسیار قوی را برای مطالعه بیشتر شناسایی کرد.
بیماری پارکینسون بیش از شش میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد و انتظار می رود این تعداد تا سال 2040 سه برابر شود. در حال حاضر هیچ درمانی برای این بیماری در دسترس نیست.
فرآیند غربالگری کتابخانه های شیمیایی بزرگ برای کاندیدای دارو، که باید قبل از آزمایش درمان های موثر بر روی بیماران انجام شود، زمان بر، پرهزینه و اغلب ناموفق است.
بهبود کارایی غربالگری با یادگیری ماشینی
با استفاده از یادگیری ماشینی، محققان توانسته اند روند غربالگری اولیه را ده برابر سرعت بخشند و هزینه ها را هزار برابر کاهش دهند، که می تواند به این معنی باشد که درمان های موثر برای بیماری پارکینسون بسیار سریعتر به بیماران ارائه می شود. نتایج در مجله Nature Chemical Biology گزارش شده است.
بیماری پارکینسون سریعترین بیماری عصبی در حال رشد در جهان است. در بریتانیا، از هر 37 نفری که امروز زندگی می کنند، یک نفر در طول زندگی خود به پارکینسون مبتلا می شود. علاوه بر علائم حرکتی، بیماری پارکینسون می تواند بر سیستم گوارش، سیستم عصبی، الگوهای خواب، خلق و خو و توانایی های شناختی تأثیر بگذارد و می تواند به کاهش کیفیت زندگی و ناتوانی قابل توجه کمک کند.
پروتئین ها مسئول فرآیندهای مهم سلولی هستند، اما زمانی که افراد به پارکینسون مبتلا می شوند، این پروتئین ها تجزیه می شوند و باعث مرگ سلول های عصبی می شوند. هنگامی که پروتئین ها به اشتباه جمع می شوند، می توانند خوشه های غیرطبیعی به نام اجسام لوئی تشکیل دهند که در سلول های مغز تجمع می یابند و از عملکرد صحیح آنها جلوگیری می کنند.
پروفسور میشل واندروسکولو، که رهبری این تحقیق را بر عهده داشت، گفت: «مسیر یافتن درمان‌های مؤثر برای بیماری پارکینسون نیازمند شناسایی مولکول‌های کوچکی است که می‌توانند از تجمع آلفا سینوکلئین، پروتئین مرتبط با این بیماری، جلوگیری کنند. اما این یک فرآیند بسیار زمان بر است. فقط شناسایی یک کاندیدای اصلی برای آزمایش بیشتر می تواند ماه ها یا حتی سال ها طول بکشد.
اگرچه آزمایشات بالینی در حال حاضر برای بیماری پارکینسون در حال انجام است، هیچ داروی اصلاح کننده بیماری تایید نشده است که نشان دهنده ناتوانی در هدف قرار دادن مستقیم گونه های مولکولی عامل بیماری است.
این یک مانع بزرگ در تحقیقات پارکینسون است زیرا هیچ روشی برای شناسایی و درگیری با اهداف مولکولی صحیح وجود ندارد. این شکاف تکنولوژیکی به طور جدی مانع توسعه درمان های موثر شده است.
نوآوری در غربالگری رایانه ای مواد مخدر
محققان یک روش یادگیری ماشینی را توسعه دادند که در آن کتابخانه‌های شیمیایی حاوی میلیون‌ها ترکیب برای شناسایی مولکول‌های کوچکی که به دانه‌های آمیلوئید متصل می‌شوند و از تکثیر آنها جلوگیری می‌کنند، غربالگری می‌شوند.
سپس تعداد کمی از ترکیبات بسیار رتبه بندی شده به صورت تجربی برای انتخاب قوی ترین بازدارنده های تجمع آزمایش شدند. اطلاعات به‌دست‌آمده از این تحلیل‌های تجربی به روشی تکراری به مدل یادگیری ماشین بازگردانده شد تا پس از چندین بار تکرار، قوی‌ترین ترکیبات شناسایی شوند.
واندروسکولو که یکی از مدیران مرکز بیماری‌های نادرست است، می‌گوید: «به‌جای غربالگری آزمایشی، ما به‌صورت محاسباتی غربالگری می‌کنیم». با استفاده از دانشی که از غربالگری اولیه با مدل یادگیری ماشین خود به دست آوردیم، توانستیم مدل را برای شناسایی مناطق خاصی از این مولکول های کوچک که مسئول اتصال بودند، آموزش دهیم و سپس دوباره غربالگری کنیم و مولکول های قوی تری پیدا کنیم.
با استفاده از این روش، محققان ترکیباتی را برای هدف قرار دادن پاکت‌های روی سطوح سنگدانه‌ها که مسئول انتشار تصاعدی خود سنگدانه‌ها هستند، توسعه دادند. این ترکیبات صدها برابر قوی تر و ارزان تر از ترکیبات گزارش شده قبلی هستند.
واندروسکولو گفت: «یادگیری ماشینی تأثیر واقعی بر فرآیند کشف دارو دارد. این امر کل فرآیند شناسایی امیدوارترین نامزدها را سرعت می بخشد. برای ما، این بدان معناست که می‌توانیم به جای یک برنامه، روی چندین برنامه کشف دارو کار کنیم. این روش به دلیل کاهش شدید زمان و هزینه منحصر به فرد است.
