ماشین‌های هوشمند به طراحی دارو کمک می‌کنند

تاریخ : ۲۹ فروردین ۱۴۰۰

تعداد بازدید : ۱۸۴

0 امتیاز از 0 رای
نسخه چاپی
موضوعات :

دانشمندان به تازگی یک روش یادگیری ماشینی ارائه کرده اند که به بهینه سازی طراحی آنتی بادی کمک می کند که این کار به تولید داروهای موثرتر آنتی بادی منجر می‌شود.

آنتی بادی ها فقط توسط سلول‌های ایمنی بدن برای مقابله با ویروس‌ها و سایر عوامل بیماری زا در بدن تولید نمی شوند. چند دهه است که در پزشکی از آنتی بادی های تولید شده توسط شرکت‌های زیست‌فناوری به عنوان دارو نیز استفاده می شود. به این دلیل که آنتی بادی‌ها در اتصال به طور خاص با ساختارهای مولکولی طبق اصل قفل و کلید بسیار خوب عمل می‌کنند واز آنها در درمان طیف وسیعی از بیماری‌ها، از سرطان تا درمان بیماری های خود ایمنی و تخریب عصبی می‌توان استفاده کرد.

 

با این حال ، تولید چنین داروهای آنتی بادی کار ساده نیست. نیاز اساسی این است که آنتی بادی به روشی بهینه به مولکول هدف خود متصل شود. در عین حال، یک داروی آنتی بادی باید مجموعه ای از معیارهای دیگر را نیز داشته باشد. به عنوان مثال، نباید  آنتی‌بادی باعث ایجاد پاسخ ایمنی در بدن شود، تولید آن باید با استفاده از زیست‌فناوری به شکلی کارآمد باشد و باید برای مدت زمان طولانی پایدار بماند.

 

هنگامی که دانشمندان آنتی بادی را پیدا کردند که به ساختار هدف مولکولی مورد نظر متصل می شود ، فرایند توسعه به پایان نرسیده است. بلکه این آغاز فازی است که در آن محققان با استفاده از مهندسی زیستی سعی در بهبود خواص آنتی بادی دارند. دانشمندان به سرپرستی سای ردی، استاد گروه علوم و مهندسی بیوسیستم ها در ETH زوریخ در بازل، اکنون یک روش یادگیری ماشین ایجاد کرده اند که از این مرحله بهینه‌سازی پشتیبانی می کند و به تولید داروهای موثرتر آنتی بادی کمک می کند.

 

ردی می گوید: «با فرایندهای خودکار، می توانید چند هزار گزینه درمانی را در یک آزمایشگاه آزمایش کنید. اما غربالگری بیش از این عملی نیست. در نهایت، این روش به شما امکان می دهد بهترین آنتی بادی را از یک گروه چند هزار گزینه‌ای شناسایی کنید.»

 

ردی و همکارانش اکنون از آموزش ماشین استفاده می کنند تا مجموعه اولیه آنتی بادی های مورد آزمایش را به چندین میلیون گزینه افزایش دهند. ردی می گوید: "هرچه تعداد گزینه‌ها بیشتر باشد، شانس یافتن موردی که واقعاً تمام معیارهای مورد نیاز برای تولید دارو را داشته باشد بیشتر خواهد بود.»

 

محققان ETH با استفاده از داروی سرطان آنتی بادی روشه هرسپتین، که 20 سال است در بازار وجود دارد، برای اثبات مفهوم روش جدید خود استفاده کردند.

 

با شروع از توالی DNA آنتی بادی Herceptin ، محققان ETH با استفاده از روش جهش CRISPR که چند سال پیش ایجاد کردند ، حدود 40000 آنتی بادی مرتبط ارائه نمودند. آزمایشات نشان داد که 10 هزار گزینه از آنها به پروتئین مورد نظر، پیوند می خورند. دانشمندان از توالی DNA این 40000 آنتی بادی برای آموزش الگوریتم یادگیری ماشین استفاده کردند.

 

آنها سپس الگوریتم آموزش دیده را برای جستجوی پایگاه داده 70 میلیون توالی DNA آنتی بادی بالقوه به کار گرفتند. برای این 70 میلیون نامزد، الگوریتم پیش بینی کرد که آنتی بادی های مربوطه چقدر به پروتئین هدف متصل می شوند.

 

دانشمندان با استفاده از مدل های کامپیوتری بیشتر پیش بینی کردند که این میلیون ها دنباله چقدر با معیارهای دیگر برای تولید دارو (تحمل ، تولید ، خصوصیات فیزیکی) مطابقت دارند. این تعداد توالی کاندیدها را به 8000 کاهش داد.

 

دانشمندان از لیست گزینه‌های بهینه شده در کامپیوتر ، 55 توالی را برای تولید آنتی بادی در آزمایشگاه و مشخص کردن خصوصیات آنها انتخاب کردند.

دانشمندان ETH اکنون از روش هوش مصنوعی خود برای بهینه سازی داروهای آنتی بادی که در مرحله بالینی هستند استفاده می کنند. به همین منظور ، آنها اخیرا شرکت deepCDR Biologics را تاسیس کردند تا این فناوری را تجاری‌سازی کنند.

منبع : https://www.labmanager.com/news/designing-better-antibody-drugs-with-artificial-intelligence-25685

نظر شما