دستور زبان پروتئین‌ها مسیر کشف داروهای جدید را هموار می‌کند

مدت‌هاست سازندگان دارو از روش آزمون و خطا برای شناسایی ترکیبات مناسب و تولید داروهای جدید در راه مبارزه و درمان بیماری ها ‌استفاده می‌کنند. اما چه می شود اگر هوش مصنوعی بتواند ساختار یک مولکول دارویی جدید را ، آن‌گونه که گوگل می‌فهمد پیش‌بینی کند. هوش مصنوعی تولید دارو

به گزارش تک ناک، این هدف رویکرد جدیدی است که از تکنیک هوش مصنوعی به نام پردازش زبان طبیعی  برای تجزیه و تحلیل و سنتز پروتئین‌ها، که بلوک‌های سازنده حیات و بسیاری از داروها هستند ، استفاده می‌کند.هوش مصنوعی تولید دارو

این رویکرد از این واقعیت استفاده می‌کند که کدهای بیولوژیکی چیزی مشترک با عبارت‌های جستجو و متون ایمیل دارند و هر دو با یک سری حروف نشان داده می‌شوند.

پروتئین ها از ده ها تا هزاران زیرواحد شیمیایی کوچک به نام اسیدهای آمینه ساخته شده اند و دانشمندان از نمادهای ویژه برای مستندسازی توالی ها استفاده می کنند. پروتئین ها با هر آمینو اسید مربوط به یک حرف الفبا، به صورت ترکیب های طولانی و جمله مانند نمایش داده می شوند.هوش مصنوعی تولید دارو

الگوریتم‌های زبان طبیعی، که به سرعت زبان را تجزیه و تحلیل می‌کنند و مرحله بعدی مکالمه را پیش‌بینی می‌کنند، می‌توانند برای ایجاد مدل‌های زبان پروتئینی نیز روی این داده‌های بیولوژیکی اعمال شوند. مدل‌ها چیزی را رمزگذاری می‌کنند که می‌توان آن را دستور زبان پروتئین‌ها نامید . این دستور زبان پروتئین در واقع قوانینی است که تعیین می کنند کدام ترکیب اسیدهای آمینه خواص درمانی خاصی دارند . این الگوریتم ها می توانند توالی حروفی که می‌توانند مبنای مولکول‌های دارویی جدید باشند  را پیش بینی میکنند. در نتیجه، زمان لازم برای مراحل اولیه کشف دارو می تواند از سال ها به ماه ها کاهش یابد.

علی مدنی، بنیانگذار ProFluent Bio، یک استارت آپ مستقر در برکلی، کالیفرنیا که بر طراحی پروتئین مبتنی بر زبان تمرکز دارد، می گوید. ما در حال یادگیری طرح از طبیعت هستیم. طبیعت هزاران نمونه از پروتئین ها را در اختیار ما قرار داده است که به طرز عالی با عملکردهای مختلف طراحی شده اند.

داروهای مبتنی بر پروتئین برای درمان بیماری‌های قلبی، برخی سرطان‌ها و HIV و سایر بیماری‌ها استفاده می‌شوند.در دو سال گذشته، شرکت‌هایی از جمله Merck & Co، Roche Holding AG’s Genentech و تعدادی استارت‌آپ مانند Helixon Ltd. و Ainnocence شروع به جستجو برای داروهای جدید با پردازش زبان طبیعی کرده‌اند.

آنها امیدوارند که این رویکرد نه تنها اثربخشی داروهای موجود و نامزدهای دارویی را افزایش دهد، بلکه در را به روی مولکول‌هایی که قبلاً دیده نشده‌اند باز کند و بتواند بیماری‌هایی مانند سرطان لوزالمعده یا ALS را درمان کند.

شان مک‌کلین، بنیان‌گذار و مدیرعامل Absci Corp.، یک شرکت کشف دارو در ونکوور، واش، می‌گوید: تکنولوژی‌هایی مانند این شروع به پرداختن به حوزه‌هایی از بیماری خواهند کرد که قبلا «غیرقابل درمان» بوده‌اند.

به گفته زیست شناسان محاسباتی، پردازش زبان طبیعی برای کشف دارو هنوز با موانع بزرگی روبرو است. آنها می گویند که دستکاری بیش از حد با داروهای مبتنی بر پروتئین موجود می تواند عوارض جانبی ناخواسته ای را به همراه داشته باشد و مولکول های کاملاً مصنوعی به آزمایش های دقیق نیاز دارند تا اطمینان حاصل شود برای بدن انسان عوارض جانبی خطرناک ندارند.

اما اگر الگوریتم‌های زبان طبیعی همان‌طور که پذیرندگان آن‌ها امیدوارند کار کنند، نیروی تازه‌ای به وعده هوش مصنوعی برای دگرگونی تولید دارو وارد خواهند کرد. تلاش‌های قبلی برای استفاده از هوش مصنوعی با محدودیت‌هایی در فناوری یا کمبود داده‌ها مواجه بود. به گفته طرفداران، پیشرفت‌های اخیر در پردازش زبان طبیعی و کاهش چشمگیر هزینه توالی‌یابی پروتئین، که پایگاه‌های اطلاعاتی وسیعی از توالی‌های آمینو اسیدی را به دست آورده است، تا حد زیادی بر هر دو مشکل غلبه کرده است.

با توجه به اینکه این فناوری هنوز در مراحل اولیه است، شرکت‌ها در حال حاضر بر روی استفاده از مدل‌های زبان پروتئینی برای تقویت مولکول‌های شناخته‌شده، مانند بهبود اثربخشی نامزدهای دارویی، متمرکز شده‌اند. مثلاً با توجه به یک آنتی‌بادی مونوکلونال طبیعی به عنوان نقطه شروع، مدل‌ها می‌توانند تغییراتی در توالی اسید آمینه آن برای بهبود مزایای درمانی آن توصیه کنند.

در یک مقاله پیش‌چاپ که در ماه آگوست به صورت آنلاین منتشر شد، محققان Absci از این روش برای تقویت داروی سرطان مبتنی بر آنتی‌بادی تراستوزوماب استفاده کردند تا محکم‌تر به هدف خود روی سطح سلول‌های سرطانی متصل شود. یک اتصال محکم تر می تواند به این معنی باشد که بیماران از دوز کمتر، کوتاه کردن رژیم دارویی و کاهش عوارض جانبی سود می برند.

در مقاله دیگری که در ماه مارس در Proceedings of the National Academy of Sciences منتشر شد، محققان MIT، دانشگاه Tsinghua و Helixon که در پکن مستقر است، از مدل‌های زبان پروتئینی برای تبدیل داروی کاندیدای کووید-19 استفاده کردند که فقط در برابر آلفا مؤثر است و انواع بتا و گاما را به گونه ای تبدیل می کند که می تواند دلتا را نیز درمان کند.

در حال حاضر داروسازان به دنبال تغییر پروتئین های شناخته شده به سمت طراحی de novo هستند، یعنی فرآیند سنتز مولکول ها از ابتدا.

در نهایت، بسیاری از زیست‌شناسان محاسباتی انتظار دارند که مدل‌های زبان پروتئینی مزایایی فراتر از توسعه سریع‌تر دارو داشته باشند. زیست شناسان می گویند که از همین روش ممکن است برای تولید آنزیم های بهتر برای تخریب پلاستیک ها، تصفیه فاضلاب و پاکسازی نشت نفت، از جمله دیگر کاربردهای زیست محیطی استفاده شود.

Absci و Helixon همچنین با داروسازان برای طراحی داروهای سرطان و بیماری‌های خودایمنی با استفاده از روش‌های de novo همکاری می‌کنند. به گفته آقای مک‌کلین، Absci در ژانویه اعلام کرد که با MercK به دنبال سه هدف مواد مخدر است. یکی از سخنگویان مرک گفت که این شرکت برای کشف پتانسیل هوش مصنوعی در تولید دارو وارد تعدادی پیمان همکاری شده است. جیان پنگ، مدیرعامل و بنیانگذار هلیکسون می گوید که هلیکسون ماه گذشته با دو شرکت بزرگ داروسازی برای مقابله با بیماری هایی که قبلا غیرقابل درمان بودند، قرارداد امضا کرد.

دکتر مدنی از ProFluent Bio نیز می گوید: پروتئین ها کارگرهای زندگی هستند. آنها ما را قادر می سازند نفس بکشیم و ببینیم، محیط زیست را پایدار می کنند، سلامت و بیماری انسان را ممکن می سازند. اگر بتوانیم کارگران بهتر یا کارگران جدید را با هم طراحی کنیم، می تواند کاربردهای بسیار گسترده ای داشته باشد.