پیش‌بینی داروهای تأثیرگذار مبتنی بر یادگیری عمیق

به گزارش ایسنا، کریم عباسی با مدرک دکتری تخصصی بیوانفورماتیک از دانشگاه تهران درباره این طرح توضیح داد: یکی از مهم‏ترین هدف‌های فازهای اولیه کشف دارو، یافتن مولکول‌های دارویی کاندیدا با فعالیت فارماکولوژیک مناسب و سمیت کم است. روش‏‌های آزمایشگاهی طراحی و کشف دارو زمان‏بر و پرهزینه هستند.

وی ادامه داد: بنابراین در کنار روش‏‌های آزمایشگاهی، از روش‌های محاسباتی نیز استفاده می‌‏شود. از روش‌های محاسباتی که برای پیش‌بینی بهترین کاندیدای داروها استفاده می‌‏شود، می‌‏توان به روش‌های سیستم بیولوژی، یادگیری ماشین کلاسیک و یادگیری عمیق اشاره کرد. با استفاده از این روش‏‌ها می‌توان داروهای تأثیرگذار را پیش‌بینی کرد و سپس تحقیقات آزمایشگاهی بر روی آنها انجام شود.

این پژوهشگر در ادامه بیان کرد: در این پژوهش پیش‌بینی تعامل پروتئین-ترکیب (CPI) مورد بررسی قرار گرفت. در پیش‌بینی تعامل پروتئین-ترکیب مقدار عددی تمایل اتصال یک ترکیب (کاندیدای دارو) با یک پروتئین هدف تعیین می‌شود که نقش اساسی در فاز اولیه پروسه‌ کشف دارو دارد.

وی ادامه داد: همچنین در این تحقیق به دنبال پاسخ به این سؤال اساسی بودیم که آیا می‌‏توان مدلی مبتنی بر یادگیری عمیق که بتواند با بهره‌‏گیری از دانش اضافی موجود در مجموعه داده‌ها، همانند اطلاعات شباهت میان ترکیبات دارویی و پروتئین‌ها طراحی کرد؟

عباسی در پایان خاطر نشان کرد: یک مدل محاسباتی مبتنی بر یادگیری عمیق برای پیش‌بینی میزان تعامل جفت پروتئین-ترکیب با در نظر گرفتن اطلاعات شباهت میان ترکیبات دارویی و پروتئین‌ها نیز طراحی شد. از این مدل بیشتر در فازهای اولیه طراحی دارو استفاده خواهد شد.