منبع: diegobarruffa/Pixabay

یادگیری عمیق هوش مصنوعی (AI) به سرعت در حال تغییر صنایع بیوتکنولوژی و داروسازی است. مدل‌های جدید هوش مصنوعی مبتنی بر الگوریتم‌های مشابه ChatGPT در بسیاری از بخش‌های صنعتی در حال ظهور هستند. یک مطالعه جدید منتشر شده در گزارش سلول علم فیزیک محققان دانشگاه بن نشان می‌دهند که چگونه یک مدل هوش مصنوعی ChatGPT مانند می‌تواند داروهای دو هدف را پیش‌بینی کند که می‌توانند همزمان دو آنزیم را برای درمان بیماری‌های پیچیده و تسریع پلی‌فارماکولوژی مهار کنند.

دکتر یورگن بایورات، استاد دانشگاه بن و سانجانا سرینیواسان، یکی از نویسندگان این مقاله نوشتند: «ترکیبات با فعالیت چند هدفه مشخص، کاندیدای درمان بیماری‌های چند عاملی هستند.

پلی فارماکولوژی طراحی یا استفاده از عوامل دارویی است که می تواند همزمان بر چندین هدف دارویی عمل کند. بیشتر بیماری ها بیماری های پیچیده یا بیماری های چند عاملی هستند که در اثر تعامل ترکیبی از عوامل مانند عوامل ژنتیکی، سبک زندگی و محیطی ایجاد می شوند. نمونه هایی از بیماری های چند عاملی عبارتند از اختلال دوقطبی، اسکیزوفرنی، افسردگی شیدایی، سردردهای میگرنی، صرع، سرطان های رایج، دیابت نوع 2، بیماری آلزایمر، بیماری پارکینسون، آرتریت روماتوئید، پوکی استخوان، آسم، بیماری کلیوی، مولتیپل اسکلروزیس، بیماری های خود ایمنی، و غیره. و شرایط

هوش مصنوعی در صنعت داروسازی و داروسازی زیستی، به ویژه در تحقیق و توسعه، پیشرفت چشمگیری دارد. طبق آمار Statista، انتظار می رود تا سال 2032، بازار جهانی هوش مصنوعی در کشف دارو به 13 میلیارد دلار برسد.

تیم تحقیقاتی نوشت: «در اینجا، ما انواع مدل زبان شیمیایی مبتنی بر ترانسفورماتور را برای طراحی تولیدی ترکیبات هدف دوگانه معرفی می‌کنیم.

مدل‌های زبان بزرگ (LLM) مانند ChatGPT توسط OpenAI، نوعی شبکه عصبی مصنوعی با معماری یادگیری عمیق ترانسفورماتور هستند. “T” در ChatGPT مخفف ترانسفورماتور است. ترانسفورماتورها می‌توانند با مشاهده الگوها در مقادیر انبوه متن پیش‌بینی کنند و مکانیزمی برای خودتوجهی دارند که به آنها امکان می‌دهد هنگام مشاهده همزمان بخش‌های مختلف دنباله، به نواحی مرتبط‌تر توجه بیشتری داشته باشند. گوگل ترانسفورماتورها را در مقاله سال 2017 «توجه همه آن چیزی است که نیاز دارید» که توسط آشیش واسوانی، نوام شزیر، نیکی پارمار، جاکوب اوسکوریت، لیون جونز، آیدان ان. گومز، لوکاس قیصر و ایلیا پولوسوکین نوشته شده بود، معرفی کرد.

برای این مطالعه، Bajorath و Srinivasan یک مدل زبان شیمیایی ایجاد کردند که بر روی جفت رشته های نشانه گذاری شیمیایی متن به نام رشته های سیستم ورودی خط ورودی ساده مولکولی (SMILE) آموزش داده شد. این رشته های SMILE یک روش فشرده برای نمایش یک مولکول از طریق دنباله ای از حروف و نمادها هستند. مدل زبان شیمیایی آنها بر روی بیش از 75000 جفت رشته هدف آموزش داده شد که در آن یک رشته نشان دهنده مولکولی است که روی یک پروتئین هدف کار می کند و رشته دیگر ترکیبی را نشان می دهد که روی همان پروتئین هدف کار می کند و همچنین بر پروتئین هدف متفاوت تأثیر می گذارد. سپس، مدل هوش مصنوعی با جفت رشته‌ها تنظیم شد تا بتواند ترکیبات قابل هدف مرتبط با کلاس‌های مختلف پروتئین را «یاد بگیرد».

دانشمندان گزارش دادند: «مدل‌های نهایی دقیقاً ترکیبات شناخته‌شده با هدف دوگانه را بازتولید می‌کنند که از اشتقاق مدل حذف شده‌اند».

این مطالعه تحقیقاتی نشان می‌دهد که یک مدل ترانسفورماتور هوش مصنوعی می‌تواند ترکیبات شیمیایی را پیش‌بینی کند که می‌توانند همزمان دو پروتئین را هدف قرار دهند. این اثبات مفهوم گامی رو به جلو در تسریع طراحی دارو برای بسیاری از بیماری های پیچیده و کوتاه کردن چرخه عمر کلی توسعه دارو است.

حق چاپ © 2024 Cami Rosso کلیه حقوق محفوظ است.