شناسایی سریع درما‌ن‌ بیماری پارکینسون با هوش مصنوعی

01

از 02

افزایش کارایی غربالگری با یادگیری ماشینی

با استفاده از یادگیری ماشینی، محققان توانستند روند غربالگری اولیه را ده برابر سرعت بخشند و هزینه را تا هزار برابر کاهش دهند که این مسئله می‌تواند به این معنی باشد که درمان‌های موثر برای پارکینسون بسیار سریعتر به بیماران منتقل می‌شوند. نتایج در مجله Nature Chemical Biology گزارش شده است.

پارکینسون سریع‌ترین بیماری عصبی در حال رشد در سراسر جهان است. در بریتانیا، از هر 37 نفری که امروز زنده هستند، یک نفر در طول زندگی خود به پارکینسون مبتلا می‌شود. علاوه بر علائم حرکتی، پارکینسون می‌تواند بر سیستم گوارش، سیستم عصبی، الگوهای خواب، خلق و خو و شناخت نیز تأثیر بگذارد و ممکن است به کاهش کیفیت زندگی و ناتوانی قابل توجه کمک کند.

پروتئین‌ها مسئول فرآیندهای مهم سلولی هستند، اما زمانی که افراد به پارکینسون مبتلا می‌شوند، این پروتئین‌ها خراب می‌شوند و باعث مرگ سلول‌های عصبی می‌شوند. هنگامی که پروتئین‌ها به اشتباه تا می‌شوند، ممکن است یک سری خوشه‌های غیر طبیعی به نام اجسام لوئی را تشکیل دهند که در سلول‌های مغز تجمع می‌یابند و مانع از عملکرد صحیح آنها می‌شوند.

پروفسور میشل وندروسکولو که این تحقیق را رهبری می‌کرد، گفت: مسیر جستجوی درمان‌های موثر برای پارکینسون نیاز به شناسایی مولکول‌های کوچکی دارد که می‌توانند تجمع آلفا سینوکلئین را که پروتئینی است که با بیماری مرتبط است، مهار کند. اما این یک فرآیند بسیار وقت گیر است. فقط شناسایی یک کاندید اصلی برای آزمایش بیشتر می‌تواند ماه‌ها یا حتی سال‌ها طول بکشد.

در حالی که در حال حاضر آزمایش‌های بالینی برای پارکینسون در حال انجام است، هیچ دارویی برای اصلاح این بیماری تایید نشده است که نشان دهنده ناتوانی در هدف قرار دادن مستقیم گونه‌های مولکولی عامل بیماری است.

این یک مانع بزرگ در تحقیقات پارکینسون بوده است، زیرا روش‌هایی برای شناسایی اهداف مولکولی صحیح و درگیری با آنها وجود ندارد. این شکاف تکنولوژیکی، توسعه درمان‌های موثر را به شدت مختل کرده است.

02

از 02

نوآوری در غربالگری محاسباتی دارو

محققان یک روش یادگیری ماشینی ایجاد کردند 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 با رتبه برتر به صورت تجربی برای انتخاب قوی‌ترین بازدارنده‌های تجمع آزمایش شدند. اطلاعات به‌دست‌آمده از این سنجش‌های تجربی به روشی تکراری به مدل یادگیری ماشین بازگردانده شد، به‌طوری که پس از چند بار تکرار، ترکیبات بسیار قوی شناسایی شدند.

وندروسکولو که یکی از مدیران مرکز Misfolding Diseases است، گفت: به جای غربالگری آزمایشی، ما به صورت محاسباتی غربالگری می‌کنیم. با استفاده از دانشی که از غربالگری اولیه با مدل یادگیری ماشین خود به دست آوردیم، توانستیم این مدل را برای شناسایی مناطق خاص روی این مولکول‌های کوچک که مسئول اتصال هستند، آموزش دهیم، سپس می‌توانیم دوباره غربالگری کنیم و مولکول‌های قوی‌تر را پیدا کنیم.

با استفاده از این روش، محققان ترکیباتی را برای هدف قرار دادن پاکت‌های روی سطوح سنگدانه‌ها که مسئول تکثیر نمایی خود سنگدانه‌ها هستند، توسعه دادند. این ترکیبات صدها برابر قوی‌تر و تولید آن‌ها بسیار ارزان‌تر از ترکیب‌هایی هستند که قبلا گزارش شده‌اند.

وندروسکولو گفت: یادگیری ماشینی تأثیر واقعی بر فرآیند کشف دارو دارد. این امر کل فرآیند شناسایی امیدوارکننده‌ترین نامزدها را سرعت می‌بخشد. برای ما، این بدان معناست که می‌توانیم به جای یک برنامه، روی چندین برنامه کشف دارو کار کنیم. به دلیل کاهش شدید زمان و هزینه بسیار زیاد، این روش بی‌نظیر است.