یک مدل جدید هوش مصنوعی می‌تواند پیش‌بینی کند که کجا یک مولکول فعال دارویی را می‌توان از نظر شیمیایی اصلاح کرد و بهترین روش انجام آن را چگونه انجام داد.
ترکیبات دارویی فعال جدید پایه های درمان های پزشکی نوآورانه و بهتر را ایجاد می کند. با این حال، شناسایی آنها و مهمتر از همه، تولید آنها از طریق سنتز شیمیایی در آزمایشگاه کار ساده ای نیست. شیمیدانان معمولاً برای رسیدن به فرآیند تولید بهینه از روش آزمون و خطا استفاده می‌کنند: آنها روش‌های ممکن برای سنتز آزمایشگاهی را از واکنش‌های شیمیایی شناخته‌شده استخراج می‌کنند و سپس هر کدام را با آزمایش‌ها آزمایش می‌کنند. رویکردی زمان‌بر که مملو از بن‌بست است.
اکنون دانشمندان ETH زوریخ به همراه محققانی از Roche Pharma Research and Early Development رویکردی مبتنی بر هوش مصنوعی (AI) ارائه کرده‌اند که به تعیین بهترین روش سنتز از جمله احتمال موفقیت آن کمک می‌کند. کنت آتز، که به عنوان دانشجوی دکترا به همراه پروفسور گیسبرت اشنایدر در موسسه علوم دارویی در ETH زوریخ، مدل هوش مصنوعی را توسعه داد، توضیح می‌دهد: «روش ما می‌تواند تعداد آزمایش‌های آزمایشگاهی مورد نیاز را تا حد زیادی کاهش دهد.
مواد فعال دارویی معمولاً از داربستی تشکیل شده اند که گروه های عاملی به آن متصل می شوند. اینها هستند که به ماده عملکرد بیولوژیکی بسیار خاص آن را می دهد. کار داربست این است که گروه های عملکردی را در یک تراز هندسی تعریف شده قرار دهد تا بتوانند به صورت هدفمند عمل کنند. یک کیت ساخت جرثقیل را تصور کنید که در آن چارچوبی از عناصر اتصال به یکدیگر پیچ شده است به گونه ای که مجموعه های کاربردی مانند غلتک ها، وینچ های کابلی، چرخ ها و کابین راننده به درستی نسبت به یکدیگر چیده شده اند.
معرفی توابع شیمیایی
یکی از راه‌های تولید داروهایی با اثر دارویی جدید یا بهبودیافته، قرار دادن گروه‌های عملکردی در مکان‌های جدید روی داربست است. این ممکن است ساده به نظر برسد، و مطمئناً در جرثقیل مدل مشکلی ایجاد نمی کند، اما به ویژه در شیمی دشوار است. این به این دلیل است که داربست ها، که عمدتاً از اتم های کربن و هیدروژن تشکیل شده اند، خود عملاً غیر واکنشی هستند و اتصال آنها را با اتم های کاربردی مانند اکسیژن، نیتروژن یا کلر دشوار می کند. برای موفقیت در این امر، داربست ها ابتدا باید از طریق واکنش های انحرافی از نظر شیمیایی فعال شوند.
یکی از روش‌های فعال‌سازی که حداقل بر روی کاغذ، فرصت‌های زیادی را برای گروه‌های عملکردی مختلف باز می‌کند، بوریلاسیون است. در این فرآیند، یک گروه شیمیایی حاوی عنصر بور به یک اتم کربن در داربست متصل می شود. سپس گروه بور را می توان به سادگی با طیف وسیعی از گروه های موثر پزشکی جایگزین کرد.
داده ها از منابع قابل اعتماد و یک آزمایشگاه خودکار
اگرچه بوریلاسیون پتانسیل بالایی دارد، کنترل واکنش در آزمایشگاه دشوار است. به همین دلیل است که جستجوی جامع ما در ادبیات سراسر جهان تنها بیش از 1700 مقاله علمی در این زمینه به دست آورد.
ایده این بود که واکنش‌هایی را که در متون علمی توضیح داده شده است، استفاده کنیم تا یک مدل هوش مصنوعی را آموزش دهیم، که تیم تحقیقاتی می‌توانند از آن برای در نظر گرفتن مولکول‌های جدید استفاده کنند و تا آنجا که ممکن است مکان‌هایی را در آنها شناسایی کنند که در آنها بوریلاسیون امکان‌پذیر است. با این حال، محققان در نهایت مدل خود را تنها بخشی از ادبیاتی را که پیدا کردند، تغذیه کردند. برای اطمینان از اینکه مدل توسط نتایج نادرست از تحقیقات بی دقت گمراه نمی شود، تیم خود را به 38 مقاله به خصوص قابل اعتماد محدود کرد. اینها در مجموع 1380 واکنش بوریلاسیون را توصیف کردند.
برای گسترش مجموعه داده های آموزشی، تیم نتایج ادبیات را با ارزیابی 1000 واکنش انجام شده در آزمایشگاه خودکار که توسط دپارتمان تحقیقات شیمی دارویی Roche انجام می شود تکمیل کرد. این اجازه می دهد تا بسیاری از واکنش های شیمیایی در مقیاس میلی گرم انجام شده و به طور همزمان تجزیه و تحلیل شوند. دیوید نیپا، دانشجوی دکترا از Roche که این پروژه را همراه با Atz به انجام رساند، می‌گوید: «ترکیب اتوماسیون آزمایشگاهی با هوش مصنوعی پتانسیل بسیار زیادی برای افزایش کارایی در سنتز شیمیایی و بهبود پایداری همزمان دارد.
قدرت پیش بینی بالا، به خصوص با داده های سه بعدی
قابلیت های پیش بینی مدل تولید شده از این مخزن داده با استفاده از شش مولکول دارویی شناخته شده تأیید شد. در پنج مورد از شش مورد، آزمایش تجربی در آزمایشگاه، مکان های اضافی پیش بینی شده را تایید کرد. وقتی نوبت به شناسایی سایت‌هایی روی داربست می‌رسید که فعال‌سازی در آنها امکان‌پذیر نیست، این مدل به همان اندازه قابل اعتماد بود. علاوه بر این، شرایط بهینه را برای واکنش‌های فعال‌سازی تعیین کرد.
جالب اینجاست که پیش‌بینی‌ها زمانی بهتر شد که اطلاعات سه بعدی در مورد مواد اولیه به جای فرمول‌های شیمیایی دو بعدی آنها گنجانده شد. آتز می گوید: «به نظر می رسد این مدل نوعی درک شیمیایی سه بعدی را توسعه می دهد.
میزان موفقیت پیش‌بینی‌ها همچنین محققان شرکت Roche Pharma Research and Early Development را تحت تأثیر قرار داد. در این بین، آنها با موفقیت از روشی برای شناسایی مکان‌هایی در داروهای موجود استفاده کرده‌اند که می‌توان گروه‌های فعال اضافی را در آنها معرفی کرد. این به آنها کمک می‌کند تا انواع جدید و مؤثرتری از ترکیبات دارویی فعال شناخته شده را سریع‌تر توسعه دهند.
مناظر روی سایر فعال‌سازی‌ها و عملکردها تنظیم شده است
آتز و اشنایدر کاربردهای احتمالی متعدد دیگری را برای مدل‌های هوش مصنوعی مشاهده می‌کنند که مبتنی بر ترکیبی از داده‌های متون معتبر و آزمایش‌های انجام‌شده در یک آزمایشگاه خودکار است. به عنوان مثال، این رویکرد باید امکان ایجاد مدل‌های مؤثر برای واکنش‌های فعال‌سازی غیر از بوریلاسیون را فراهم کند. این تیم همچنین امیدوار است که طیف وسیع تری از واکنش ها را برای عملکرد بیشتر مکان های بوریل شده شناسایی کند.
Atz اکنون به عنوان یک دانشمند هوش مصنوعی در تحقیقات شیمی دارویی در Roche در این کار توسعه بیشتر شرکت دارد: «کار در رابط تحقیقات هوش مصنوعی دانشگاهی و اتوماسیون آزمایشگاهی بسیار هیجان‌انگیز است. و مایه خرسندی است که بتوانیم این کار را با بهترین محتوا و روش‌ها پیش ببریم.» اشنایدر می افزاید: “این پروژه نوآورانه نمونه برجسته دیگری از همکاری بین دانشگاه و صنعت است و پتانسیل عظیم مشارکت های دولتی و خصوصی برای سوئیس را نشان می دهد.”
– این بیانیه مطبوعاتی در ابتدا در وب سایت ETH Zurich منتشر شد