تولید خودکار دارو با فناوری یادگیری ماشین
محققان موسسه فناوری ماساچوست موفق به ابداع یک مدل طراحی دارو شده‌اند که با استفاده از فناوری یادگیری ماشین می‌تواند مولکول‌های درمانی تولید کند.
به گزارش انگجت، توسعه و بهبود داروها همیشه یک روند پرسابقه، طولانی و مورد بحث بوده است.
شیمی‌دان‌ها با هدف ایجاد یک درمان جدید برای یک بیماری یا علامت خاص، مولکول‌ها را می‌سازند و تغییر می‌دهند و دیگر مواقع هم برای بهبود یک دارو که در حال حاضر وجود دارد، تلاش می‌کنند. اما این کار، زمان زیادی را می‌طلبد و دانش بسیار تخصصی نیز نیاز دارد و معمولا منتهی به دارویی میشود که کارایی لازم را ندارد.
اما محققان موسسه فناوری ماساچوست(MIT) در حال استفاده از فناوری یادگیری ماشین برای خودکار کردن این فرآیند هستند.
"ونگونگ جین"، دانشجوی دکترای علوم کامپیوتر و آزمایشگاه هوش مصنوعی این موسسه گفت: انگیزه ما از این کار، جایگزین کردن روند اصلاح ناکارآمد انسان در طراحی مولکول‌ها با طراحی خودکار و قابل اطمینان مولکول‌های تولیدی است.
تیم تحقیقاتی مدل یادگیری ماشین خود را با 250 هزار گراف مولکولی، که اساسا تصویر دقیق ساختار مولکولی هستند، آموزش داده است. سپس محققان به مدل طراحی مولکولی رسیدند که مولکول‌های پایه را برای ساختن مولکول‌های جدید با خواص بهبودیافته به خدمت می‌گرفت.
محققان دریافتند که مدل آنها قادر به تکمیل موثرتر این وظایف نسبت به سایر سیستم‌های طراحی شده برای اتوماسیون فرآیند طراحی دارو است.
محققان می‌گویند هنگام تولید مولکول‌های جدید، هر کدام از مدل‌های ایجاد شده معتبر است و این بسیار مهم است، زیرا مولکول‌های نامعتبر، اصلی‌ترین مشکل دیگر سیستم‌های طراحی خودکار دارو هستند و بالاترین نرخ اعتبار تا کنون، 43.5 درصد بوده است.
ضمن اینکه وقتی مدل، بهترین مولکول پایه را که به عنوان مولکول رهبر شناخته میشود، پیدا می‌کند، بسیار حلال و قابل ترکیب است که این ویژگی نیز از سیستم‌های دیگر بهتر است.
بهترین مولکول نامزد تولید شده توسط این مدل، 30 درصد بهینه‌تر از مولکول تولید شده توسط سیستم‌های سنتی بود.
در نهایت، این مدل با اصلاح 800 مولکول، بدون تغییر چندانی در ساختار آنها، موجب بهبود خواص آنها شد.
محققان در ادامه، این مدل را روی دیگر خواص دارویی آزمایش خواهند کرد و برای ایجاد یک مدل تلاش خواهند کرد که بتواند با مقدار محدودی از داده‌ها کار کند.
این پژوهش، هفته آینده در "کنفرانس بین‌المللی یادگیری ماشین" ارائه خواهد شد.