عاشق وب: پژوهشگران ˮدانشگاه اوهایوˮ در بررسی جدید خود، یک مدل کامپیوتری طراحی نموده اند که می تواند ترکیبات امیدوارکننده برای مقابله با کروناویروس را شناسایی کند.
به گزارش عاشق وب به نقل از ایسنا و به نقل از وب سایت رسمی دانشگاه اوهایو، یک مدل جدید یادگیری عمیق که می تواند نحوه تعامل ژن ها و داروها را شناسایی کند، حداقل ۱۰ ترکیب را شناسایی کرده است که ممکنست برای درمان کووید-۱۹ امیدوارکننده باشند.
همه داروها به جز دو مورد، هنوز جهت بررسی کارایی در مقابل هپاتیت C، بیماریهای قارچی، سرطان و بیماری قلبی تحت آزمایش قرار دارند. این لیست، داروهای تایید شده مانند “سیکلوسپورین”(cyclosporine) را شامل می شود که سرکوب کننده سیستم ایمنی بدن است و از رد عضو پیوند زده شده جلوگیری می کند. یک داروی دیگر، “آنیدولافونژین”(anidulafungin) نام دارد که یک عامل ضد قارچ است.
این کشف توسط دانشمندان حوزه کامپیوتر صورت گرفته است. بدین سبب قبل از تایید هر یک از این داروها بعنوان درمان های ایمن و موثر برای افراد مبتلا به کروناویروس، باید پژوهش های بیشتری صورت گیرد اما دانشمندان با بهره گیری از هوش مصنوعی برای دستیابی به این گزینه ها، به پژوهشگران دارویی و بالینی کمک کردند تا در زمان و هزینه ای که به بررسی داروهای کووید-۱۹ اختصاص می دهند، صرفه جویی کنند.
“پینگ ژانگ”(Ping Zhang)، از پژوهشگران این پروژه اظهار داشت: هنگامی که هیچ کس اطلاعاتی در مورد یک بیماری جدید ندارد، این مدل نشان میدهد که چگونه هوش مصنوعی می تواند 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 کامپیوتری موسوم به “DeepCE” فراهم نموده است.
این مدل کامپیوتری برای پیش بینی در مورد نحوه تعامل ژن ها و داروها و همین طور ارائه گزینه های دارویی، به دو منبع اصلی در دسترس عموم تکیه دارد؛ “L1000” که مخزن داده های مربوط به سلول های انسانی است و توسط “موسسه ملی سلامت” بنیان گذاری شده و نشان میدهد که چگونه بیان ژن در واکنش به داروها تغییر می کند. 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 داده های L1000 و بواسطه یک الگوریتم، در مورد ترکیبات شیمیایی خاص و دوزهای آنها آموزش دادند. این مدل، توضیحات مربوط به ترکیبات شیمیایی را به شکل تبدیل می کند و امکان بررسی اثرات آنها را بر ژن ها فراهم می سازد. پژوهشگران جهت بررسی ژن هایی 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 بالا برند و عملکرد چارچوب را بهبود ببخشند.
ژانگ اظهار داشت: ما با این روش نه فقط می توانیم مقدار بیان ژن را برای ترکیبات شیمیایی جدید از سلول به سلول پیش بینی نماییم، بلکه می توانیم به پیش بینی نقش یک دارو در رده های سلولی متفاوت و ژن های گوناگون بپردازیم. ما می توانیم از کامپیوتر برای شبیه سازی بیان ژن ناشی از دارو استفاده نمائیم.
وی ادامه داد: بررسی ها باید در اینجا متوقف می شد اما بعد از آن، همه گیری کووید-۱۹ شروع شد و ما این امید را داشتیم که پژوهش ما بتواند به مقابله با کووید-۱۹ کمک کند؛ بدین سبب یک مطالعه موردی ویژه برای تجویز مجدد داروی کووید-۱۹ انجام دادیم.
پژوهشگران، ماتریس بیان ژن DeepCE را با تمرکز بر داده های به دست آمده از سلول های ریه و راه هوایی و همه ترکیبات DrugBank به کار گرفتند تا اطلاعات ژنتیکی ارائه شده در مقالات ابتدایی کووید-۱۹ و داده های دولتی را بررسی نمایند. داده های کووید-۱۹ نشان داد که چگونه بیان ژن انسان، در مقابل مبتلاشدن به کروناویروس واکنش نشان میدهد و یک “امضای بیماری” به وجود می آورد.
این مدل، روشی را برای ترکیب مجدد دارو ارائه می دهد.
این پژوهش، در مجله “Nature Machine Intelligence” به چاپ رسید.
