فن آوری های نوآورانه مانند هوش مصنوعی (AI) ، یادگیری ماشین و محاسبات کوانتومی می توانند طراحی و کشف داروهای جدید را برای مبارزه با سرطان تسریع کنند. یک مطالعه جدید بررسی شده توسط همسالان منتشر شده در بیوتکنولوژی طبیعت ، به رهبری دانشگاه تورنتو و پزشکی Insilico ، نشان می دهد که چگونه AI می تواند مولکول های ضد سرطان را برای پروتئین هایی ایجاد کند که قبلاً با استفاده از محاسبات کوانتومی نمی توانند از نظر دارویی مورد هدف قرار گیرند.

الکس ژورونکوف ، بنیانگذار و مدیر عامل شرکت Insilico Medicine گفت: “به نظر من ، محاسبات کوانتومی امروز در همان وضعیتی است که AI تولیدی در شیمی در سال 2015 تا 2016 بود ، وقتی تیم من تصمیم گرفت همه چیز را روی آن بگذارد.” “ما می دانیم که زود است. ما می دانیم که بلافاصله مزایا را به دست نمی آوریم ، اما می خواهیم مرزهای خودمان و کل صنعت را تحت فشار قرار دهیم ، به طور خاص روی آنچه می دانیم بهترین – شیمی و زیست شناسی است. “

مشکل جهانی سرطان

سرطان عامل اصلی مرگ در سراسر جهان است ، طبق گفته های بیماری های قلبی عروقی ، دوم دنیای ما در داده هابشر در سطح جهانی ، تا سال 2050 ، تخمین زده می شود 35 میلیون مورد سرطان ، طبق گفته حقایق و ارقام جهانی سرطان 5^دومین نسخه توسط انجمن سرطان آمریکا (ACS) و تقریباً 1 از 5 آمریکایی در طول زندگی خود به سرطان مبتلا می شوند.

سرطان طیف گسترده ای از بیماری ها است که در آن سلولهای سالم به دلیل رشد سلول کنترل نشده که می تواند گسترش یابد ، سرطانی می شوند. طبق اعلام موسسه ملی سرطان (NCI) ، سرطان یک بیماری ژنتیکی است که ناشی از جهش در ژنهایی است که سلولهای ما را مدیریت می کنند. جهش ژنتیکی تغییر در توالی DNA است. انکوژن یک ژن جهش یافته با پتانسیل ایجاد سرطان است.

توجه به این نکته حائز اهمیت است که حتی اگر سرطان یک بیماری ژنتیکی است ، لزوماً برابر با بیماری خانوادگی یا ارثی نیست. در حقیقت ، براساس NCI ، اکثریت (90 درصد تا 95 درصد) سرطانها در اثر جهش ایجاد می شوند و غیر تحت فشار هستند (همچنین به عنوان خودبخود نیز شناخته می شوند) ، جایی که شیوه زندگی و محیط زیست بر خطر سرطان تأثیر می گذارد. به عنوان مثال ، سیگار کشیدن ، مصرف دخانیات ، عفونت های خاص ، پرتودرمانی و داروهای سرکوب کننده سیستم ایمنی مورد استفاده برای پیوند پس از ارگان ، عواملی هستند که برای افزایش خطر سرطان ، طبق موسسه ملی سرطان شناخته شده اند.

KRAS چیست و چرا آن را هدف قرار می دهد؟

برای این مطالعه جدید ، تیم محققان به سرپرستی دانشگاه تورنتو و داروی Insilico یک الگوریتم AI مولد کلاسیک ترکیبی ایجاد کردند تا مولکول های کوچکی را برای هدف قرار دادن ژن KRAS (Kirsten Ras Oncogene همولوگ) ایجاد کنند. ژنهای KRAS متعلق به کلاس ژنهایی است که به نام آنکوژن ها قرار دارند. هنگامی که یک انکوژن جهش می یابد ، پتانسیل ایجاد سرطان را دارد. در اوایل دهه 1980 ، دانشمندان اولین انکوژن های انسانی را شناسایی کردند. در سال 1982 ، محقق دانشکده پزشکی هاروارد Channing J. Der و سایر دانشمندان آزمایشگاه پروفسور جفری کوپر کشف خود را از نقش ویروس های هاروی و کیرستن سارکوم در کارسینومای مثانه و ریه منتشر کردند.

براساس یک مطالعه انکولوژی دقیق در سال 2024 که در 90 درصد از سرطانهای لوزالمعده می توان در 90 درصد از سرطانهای لوزالمعده ، یک سوم از کل سرطانها را تخمین زده شد ، و در 90 درصد از سرطانهای لوزالمعده یافت می شود. کلینیک های انکولوژی جراحی آمریکای شمالی توسط پزشکان پزشکی Newhook ، Tsai و Meric-Bernstam. به گفته دکتر شوبام پانت ، استاد مرکز سرطان اندرسون دانشگاه تگزاس ، جهش ژن Kras همچنین با 40 درصد از سرطان های کولورکتال و 32 درصد سرطانهای ریه مرتبط است.

چرا محاسبات کوانتومی؟

زمینه در حال ظهور محاسبات کوانتومی این پتانسیل را دارد که از نظر ظاهری سریعتر از محاسبات کلاسیک امروزی (محاسبات باینری) باشد که از منطق باینری و بیت (صفر و موارد) برای پردازش اطلاعات استفاده می کند.

سعید ژورونکوف:

وی گفت: “وقتی در سال 2017-2018 اولین خودروهای شرطی درگیر خود را نشان دادیم (ECAAE) و یک آزمایش مشابه با این کار کوانتومی نشان می دهد که می توانیم مولکول ها را از هوش مصنوعی تولیدی که به صورت تجربی کار می کنند ، سنتز کنیم. سپس ، در سال 2019 ما سیستم یادگیری تقویت کننده تنشی (GENTRL) خود را منتشر کردیم و اولین مولکول ها را سنتز و آزمایش کردیم و در موش ها آزمایش کردیم ، این مرحله را برای کل زمینه تنظیم کرد و بسیاری از افراد دیگر نیز همین کار را کردند. این کار کوانتومی در سال 2018 شبیه ECAAE است. “

رایانه های کوانتومی برای حل مشکلات پیچیده و استفاده از بیت های کوانتومی (Qubits) برای ذخیره و پردازش داده ها از مکانیک کوانتومی استفاده می کنند. Qubits نه تنها می تواند حالت صفر یا یک داشته باشد ، بلکه ترکیبی از وزنی صفر و یک به طور همزمان نیز دارد.

ژورونکوف اضافه کرد:

وی گفت: “در سالهای 2026-27 ، بسیاری از هیپرسران ، از جمله مایکروسافت و آمازون ، مقیاس ماشین های کوانتومی خود را دارند و به عنوان یک سرویس برای کوانتوم باز می شوند. در چین نیز می توانید در حال حاضر به عنوان یک سرویس تجاری در یک دستگاه کوانتومی واقعی زمان بخرید. ما از نزدیک این گروه ها را کنترل خواهیم کرد تا اطمینان حاصل کنیم که نرم افزار ما برای برنامه های کشف مواد مخدر روی کوانتومی تنظیم شده است. “

AI کوانتومی- کلاسیک ترکیبی

محققان یک الگوریتم AI با کمک کوانتومی با یک الگوریتم LSTM محاسباتی کلاسیک با یک مدل AI مولد کوانتومی ایجاد کردند. این تیم با استفاده از 250،000 مولکول نمایش داده شده از 100 میلیون مولکول با استفاده از VirtualFlow و 650 مهار کننده KRAS که به صورت تجربی معتبر هستند ، مجموعه داده های آموزشی بیش از 1.1 میلیون مولکول را تولید کردند. محققان از مدل AI هیبریدی خود برای تولید مولکول های کاندیدای جدید برای هدف قرار دادن KRAS و شیمی شیمیایی AI Medicine CRAS و Insilico Medicine 42 استفاده کردند تا 15 مورد برتر را برای ارزیابی در یک آزمایشگاه پیش بینی کنند ، که به ویژه ، به ویژه ، به عنوان مهار کننده های KRA های آینده از پتانسیل عظیمی برخوردار هستند. محققان دریافتند که مدل کلاسیک کوانتومی ترکیبی آنها از مدل های کلاسیک بهتر است و یافته های آنها اثبات مهم مفهوم است.

“حتی اگر مدل کلاسیک کوانتومی ترکیبی ما از مدل های یادگیری ماشین معمولی در تولید ترکیبات ساختاری متنوع و قابل تولید مانند دارویی بهتر عمل کند ، با 21.5 درصد موفقیت بیشتر در معیارهای طراحی مواد مخدر ، در این مقاله ادعا نمی کنیم که سریعتر هستیم ، ارزان تر یا بهتر از GPU ، ما فقط نشان می دهیم که این امکان پذیر است. “

کپی رایت © 2025 Cami Rosso. کلیه حقوق محفوظ است.