پیدا کردن داروهای جدید یا کشف دارو کاری پرهزینه و وقتگیر است. اما نوعی از هوش مصنوعی به نام یادگیری ماشین میتواند این فرایند را تسریع کند و با هزینهای بسیار پایین این کار را انجام دهد.
گروهی از پژوهشگران دانشگاه ادینبرو اخیراً از یادگیری ماشین برای پیدا کردن داروهای سنولیتیک استفاده کردهاند. سنولیتیکها داروهایی هستند که روند پیری را کند و از بیماریهای مرتبط با پیری پیشگیری میکنند.
داروهای سنولیتیک با از بین بردن سلولهای پیر عمل میکنند. سلولهای پیر از نظر متابولیکی فعال هستند، اما نمیتوانند تکثیر شوند و بنابراین به «سلولهای زامبی» معروف هستند.
ناتوانی در تکثیر شدن لزوماً اتفاق بدی نیست. دیانای این سلولها آسیب دیده است (برای مثال سلولهای پوستی که بهوسیلهی اشعه خورشید آسیب دیدهاند)، بنابراین توقف تکثیر مانع از گسترش آسیب میشود.
سلولهای پیر همیشه چیز خوبی نیستند. آنها ترکیبی از پروتئینهای التهابی را ترشح میکنند که میتوانند به سلولهای مجاور برسند.
در طول زندگی، سلولهای ما مورد حملات موارد مختلفی از اشعه فرابنفش گرفته تا مواد شیمیایی قرار میگیرند و سلولهای پیر در بدن ما تجمع پیدا میکنند. افزایش تعداد سلولهای پیر در طیف وسیعی از بیماریها ازجمله دیابت نوع دو، کووید، فیبروز ریه، استئوآرتریت و سرطان نقش دارد.
مطالعات انجامشده روی موشهای آزمایشگاهی نشان داده است حذف سلولهای پیر با استفاده از سنولیتیکها میتواند بیماریهای مذکور را بهبود بخشد. این داروها میتوانند سلولهای زامبی را از بین ببرند، ولی به سلولهای سالم کاری ندارند.
حدود ۸۰ سنولیتیک شناخته شده، اما فقط دو موارد از آنها روی انسان آزمایش شده است: ترکیبی از داساتینیب و کوئرستین. پیدا کردن سنولیتیکهای بیشتر که بتوانند در درمان بیماریهای مختلف استفاده شوند، بسیار عالی است، اما ده تا بیست سال زمان و میلیاردها دلار نیاز است تا دارویی وارد بازار شود.
نتایج در پنج دقیقه
پژوهشگران دانشگاه ادینبرو و مرکز تحقیقات IBBTEC-CSIC اسپانیا میخواستند بدانند که آیا میتوانند مدلهای یادگیری ماشین را بهمنظور شناسایی سنولیتیکهای جدید آموزش بدهند. آنها نمونههایی از داروهای سنولیتیک و داروهای غیرسنولیتیک را وارد مدل کردند. مدلها یاد گرفتند بین دو نوع داروها تمایز قائل شوند و بنابراین میتوانستند برای پیشبینی این موضوع استفاده شوند که آیا مولکولهایی که قبلاً ندیدهاند از نوع سنولیتیکها هستند یا نه.
حین حل کردن یک مسئله یادگیری ماشین، معمولاً در ابتدا دادهها روی مدلهای مختلف آزمایش میشوند، زیرا برخی از مدلها بهتر عمل میکنند. برای تعیین مدلی که بهترین عملکرد را دارد، پژوهشگران بخش کوچکی از دادههای آموزشی را جدا میکنند و آنها را تا پایان فرایند یادگیری از مدل مخفی نگه میدارند. آنها سپس از دادههای آزمایشی برای تعیین تعداد خطاهای مدل استفاده میکنند. مدلی که کمترین خطا را داشته باشد، انتخاب میشود.
بهاینترتیب، پژوهشگران بهترین مدل را تعیین کردند و از آن برای پیشبینی استفاده کردند. آنها ۴۳۴۰ مولکول را وارد مدل کردند و پنج دقیقه بعد فهرستی از نتایج را به دست آوردند. مدل هوش مصنوعی ۲۱ مولکول با امتیاز بالا را شناسایی کرد که بهنظر میرسید احتمال اینکه سنولیتیک باشند، بالاتر از بقیه مولکولها است.
اگر پژوهشگران میخواستند ۴۳۴۰ مولکول اولیه را در آزمایشگاه آزمایش کنند، حداقل چند هفته کار فشرده و ۵۰ هزار پوند فقط برای خرید ترکیبات نیاز داشتند. علاوهبراین، هزینه دستگاهها و راهاندازی نیز وجود داشت.
داروهای انتخابی روی دو نوع سلول آزمایش شد: سلولهای سالم و سلولهای پیر. از میان ۲۱ ترکیب مورد آزمایش، سه ترکیب (جینگژین، پریپلوسین و اولاندرین) توانستند سلولهای پیر را از بین ببرند درحالیکه بیشتر سلولهای طبیعی را زنده نگه دارند. پژوهشگران سه سنولیتیک جدید را تحت آزمایشهای بیشتری قرار دادند تا درمورد نحوه عمل آنها در بدن اطلاعاتی به دست بیاورند. آزمایشهای زیستی دقیقتر نشان داد اولاندرین از همه مؤثرتر است.
پیامدهای بالقوه این رویکرد میان رشتهای که شامل دانشمندان داده، شیمیدانها و زیستشناسان میشود، بسیار چشمگیر است. با توجه به وجود دادههای باکیفیت، مدلهای هوش مصنوعی میتوانند به دانشمندان کمک کنند تا با سرعت بیشتری درمانهایی برای بیماریهای مختلف پیدا کنند.
پژوهشگران با اثبات تأثیر داروهای انتخابی روی سلولهای پیر، اکنون درحال آزمایش آنها روی بافت ریه انسان هستند و امیدوارند نتایج خود را تا دو سال آینده گزارش کنند.