پیش‌بینی داروهای تأثیرگذار مبتنی بر یادگیری عمیق
«پیش‌بینی تعامل پروتئین-ترکیب با دخالت اطلاعات شباهت ترکیبات دارویی و دنباله‌های پروتئینی در شبکه‌های مبتنی بر یادگیری عمیق» عنوان طرح پسادکتری کریم عباسی و گرنت پژوهشی حمیدرضا ربیعی است که بنیاد ملی علم ایران از این طرح حمایت کرده است.
به گزارش شبکه اطلاع رسانی راه دانا؛ کریم عباسی با مدرک دکتری تخصصی بیوانفورماتیک از دانشگاه تهران درباره این طرح توضیح داد: یکی از مهمترین هدف‌های فازهای اولیه کشف دارو، یافتن مولکول‌های دارویی کاندیدا با فعالیت فارماکولوژیک مناسب و سمیت کم است. روش‌های آزمایشگاهی طراحی و کشف دارو زمانبر و پرهزینه هستند.
وی ادامه داد: بنابراین در کنار روش‌های آزمایشگاهی، از روش‌های محاسباتی نیز استفاده می‌شود. از روش‌های محاسباتی که برای پیش‌بینی بهترین کاندیدای داروها استفاده می‌شود، می‌توان به روش‌های سیستم بیولوژی، یادگیری ماشین کلاسیک و یادگیری عمیق اشاره کرد. با استفاده از این روشها می‌توان داروهای تأثیرگذار را پیش‌بینی کرد و سپس تحقیقات آزمایشگاهی بر روی آنها انجام شود.
این پژوهشگر در ادامه بیان کرد: در این پژوهش پیش‌بینی تعامل پروتئین-ترکیب (CPI) مورد بررسی قرار گرفت. در پیش‌بینی تعامل پروتئین-ترکیب مقدار عددی تمایل اتصال یک ترکیب (کاندیدای دارو) با یک پروتئین هدف تعیین می‌شود که نقش اساسی در فاز اولیه پروسه کشف دارو دارد.
وی ادامه داد: همچنین در این تحقیق به دنبال پاسخ به این سؤال اساسی بودیم که آیا می‌توان مدلی مبتنی بر یادگیری عمیق که بتواند با بهرهگیری از دانش اضافی موجود در مجموعه داده‌ها، همانند اطلاعات شباهت میان ترکیبات دارویی و پروتئین‌ها طراحی کرد؟
عباسی در پایان خاطر نشان کرد: یک مدل محاسباتی مبتنی بر یادگیری عمیق برای پیش‌بینی میزان تعامل جفت پروتئین-ترکیب با در نظر گرفتن اطلاعات شباهت میان ترکیبات دارویی و پروتئین‌ها نیز طراحی شد. از این مدل بیشتر در فازهای اولیه طراحی دارو استفاده خواهد شد.
ارسال دیدگاه