۱۵ بهمن ۱۳۹۹ - ۲۲:۰۰
کد خبر: ۶۲۷۹۰
پژوهشگران "دانشگاه اوهایو" در بررسی جدید خود، یک مدل رایانه‌ای طراحی کرده‌اند که می‌تواند ترکیبات امیدوارکننده برای مقابله با کروناویروس را شناسایی کند.
به گزارش پایداری ملی به نقل از ایسنا ، یک مدل جدید یادگیری عمیق که می‌تواند نحوه تعامل ژن‌ها و داروها را شناسایی کند، حداقل ۱۰ ترکیب را شناسایی کرده است که ممکن است برای درمان کووید-۱۹ امیدوارکننده باشند.

همه داروها به جز دو مورد، هنوز برای بررسی کارایی در برابر هپاتیت C، بیماری‌های قارچی، سرطان و بیماری قلبی تحت آزمایش قرار دارند. این فهرست، داروهای تایید شده مانند "سیکلوسپورین"(cyclosporine) را شامل می‌شود که سرکوب‌کننده سیستم ایمنی بدن است و از رد عضو پیوند زده شده جلوگیری می‌کند. یک داروی دیگر، "آنیدولافونژین"(anidulafungin) نام دارد که یک عامل ضد قارچ است.

این کشف توسط دانشمندان حوزه رایانه صورت گرفته است. بنابراین پیش از تایید هر یک از این داروها به عنوان درمان‌های ایمن و موثر برای افراد مبتلا به کروناویروس، باید پژوهش‌های بیشتری انجام شود اما دانشمندان با استفاده از هوش مصنوعی برای دستیابی به این گزینه‌ها، به پژوهشگران دارویی و بالینی کمک کردند تا در زمان و هزینه‌ای که به بررسی داروهای کووید-۱۹ اختصاص می‌دهند، صرفه‌جویی کنند.

"پینگ ژانگ"(Ping Zhang)، از پژوهشگران این پروژه گفت: هنگامی که هیچ‌کس اطلاعاتی در مورد یک بیماری جدید ندارد، این مدل نشان می‌دهد که چگونه هوش مصنوعی می‌تواند مشکل نحوه در نظر گرفتن یک درمان بالقوه را حل کند.

ژانگ و همکارانش، طراحی این مدل را در ماه مه سال ۲۰۲۰ تکمیل کردند. اطلاعات جدید، آزمون مهمی را برای این مدل رایانه‌ای موسوم به "DeepCE" فراهم کرده است.

این مدل رایانه‌ای برای پیش‌بینی در مورد نحوه تعامل ژن‌ها و داروها و همچنین ارائه گزینه‌های دارویی، به دو منبع اصلی در دسترس عموم تکیه دارد؛ "L1000" که مخزن داده‌های مربوط به سلول‌های انسانی است و توسط "موسسه ملی سلامت" بنیان‌گذاری شده و نشان می‌دهد که چگونه بیان ژن در واکنش به داروها تغییر می‌کند. دومین منبع، "DrugBank" است که اطلاعاتی را در مورد ساختارهای شیمیایی و سایر جزئیات مربوط به ۱۱ هزار داروی تایید شده و تحت بررسی در بر دارد.

پژوهشگران دانشگاه اوهایو، مدل DeepCE را با اجرای همه داده‌های L1000 و به واسطه یک الگوریتم، در مورد ترکیبات شیمیایی خاص و دوزهای آنها آموزش دادند. این مدل، توضیحات مربوط به ترکیبات شیمیایی را به شکل تبدیل می‌کند و امکان بررسی اثرات آنها را بر ژن‌ها فراهم می‌سازد. پژوهشگران برای بررسی ژن‌هایی که در L1000 نمایش داده نشدند، از یک روش یادگیری عمیق موسوم به "مکانیسم توجه" استفاده کردند تا یادگیری مدل را در مورد تعامل ترکیب شیمیایی و ژن افزایش دهند و عملکرد چارچوب را بهبود ببخشند.

ژانگ گفت: ما با این روش نه تنها می‌توانیم مقدار بیان ژن را برای ترکیبات شیمیایی جدید از سلول به سلول پیش‌بینی کنیم، بلکه می‌توانیم به پیش‌بینی نقش یک دارو در رده‌های سلولی متفاوت و ژن‌های گوناگون بپردازیم. ما می‌توانیم از رایانه برای شبیه‌سازی‌ بیان ژن ناشی از دارو استفاده کنیم.

وی افزود: بررسی‌ها باید در اینجا متوقف می‌شد اما پس از آن، همه‌گیری کووید-۱۹ آغاز شد و ما این امید را داشتیم که پژوهش‌ ما بتواند به مقابله با کووید-۱۹ کمک کند؛ بنابراین یک مطالعه موردی ویژه برای تجویز مجدد داروی کووید-۱۹ انجام دادیم.

پژوهشگران، ماتریس بیان ژن DeepCE را با تمرکز بر داده‌های به دست آمده از سلول‌های ریه و راه هوایی و همه ترکیبات DrugBank به کار گرفتند تا اطلاعات ژنتیکی ارائه شده در مقالات ابتدایی کووید-۱۹ و داده‌های دولتی را بررسی کنند. داده‌های کووید-۱۹ نشان داد که چگونه بیان ژن انسان، در برابر ابتلا به کروناویروس واکنش نشان می‌دهد و یک "امضای بیماری" به وجود می‌آورد.

این مدل، روشی را برای ترکیب مجدد دارو ارائه می‌دهد.

این پژوهش، در مجله "Nature Machine Intelligence" به چاپ رسید.

گزارش خطا
ارسال نظرات
نام
ایمیل
نظر