پژوهشگران آمریکایی روشی نوین بر پایهی یادگیری عمیق (Deep Learning) معرفی کردهاند که میتواند روند زمانبر کشف داروهای جدید را بهطور چشمگیری سرعت بخشد. این روش که نتایج آن در نشریهی Science منتشر شده، به جای آزمایشهای سنتی و طولانیمدت، از دادههای ژنتیکی سلولهای انسانی برای پیشبینی عملکرد ترکیبهای شیمیایی استفاده میکند.
در روشهای سنتی، پژوهشگران باید هزاران ترکیب شیمیایی را یکییکی روی سلولهای آزمایشگاهی امتحان کنند تا دارویی مؤثر بیابند؛ فرآیندی پرهزینه و زمانبر. اما مدل جدید با نام DrugReflector، این روند را دگرگون کرده است.
این مدل با استفاده از دادههای عمومی مربوط به ۹۶۰۰ ترکیب شیمیایی و بیش از ۵۰ نوع سلول انسانی آموزش دیده و میتواند پیشبینی کند که هر ماده چگونه بر فعالیت ژنها اثر میگذارد.
پژوهشگران در همکاری با شرکت Cellarity در ماساچوست، از DrugReflector برای یافتن ترکیبهایی استفاده کردند که بتوانند تولید پلاکتها و گلبولهای قرمز خون را افزایش دهند؛ موضوعی حیاتی برای درمان برخی بیماریهای خونی.
نتایج نشان داد که این مدل تا ۱۷ برابر کارآمدتر از روشهای سنتی در شناسایی ترکیبات مؤثر عمل میکند و پس از هر مرحله یادگیری از نتایج قبلی، دقت آن دو برابر میشود.
دانشمندان این دستاورد را «نقشهای قدرتمند برای آیندهی کشف دارو» میدانند. به گفتهی کارشناسان، این فناوری میتواند عصر تازهای در پزشکی رقم بزند که در آن، مدلهای هوش مصنوعی با یادگیری از دادههای ژنتیکی، مسیر کشف درمانها را صدها برابر سریعتر و هدفمندتر کنند.
بهاینترتیب، شاید نسل بعدی داروهای نجاتبخش نه از مسیر سالها آزمایش و خطا، بلکه تنها در چند هفته و با کمک الگوریتمهای یادگیرنده متولد شوند.
کد خبر ۲۰۱۰۴۰۸۰۵.۳۵۹
منبع: نیچر
