پیش‌بینی داروهای تأثیرگذار مبتنی بر یادگیری عمیق
به گزارش روابط عمومی بنیاد ملی علم ایران (INSF)، «پیش‌بینی تعامل پروتئین-ترکیب با دخالت اطلاعات شباهت ترکیبات دارویی و دنباله‌های پروتئینی در شبکه‌های مبتنی بر یادگیری عمیق» عنوان طرح پسادکتری کریم عباسی و گرنت پژوهشی حمیدرضا ربیعی است که بنیاد ملی علم ایران از این طرح حمایت کرده است.
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 کاندید 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 کاندید 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 محقق و 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 (کاندید دارو) را با یک پروتئین هدف تعیین می‌نماید که نقش اساسی در فاز اولیه پروسه‌ی 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.
سروش
ایتا