صنعت داروسازی به دنبال روشهای کشف دارویی کارآمدتر و موثرتر است. از جمله محدودیتهای روشهای بازرسی پربار (HTS) متداول، آن است که تنها میتوانند یک قسمت کوچک از مولکولهای در دسترس تجاری را ارزیابی کنند. با ظهور هوش مصنوعی (AI) و ابزارهای یادگیری ماشین (ML)، امید به روشی نوآورانهتر و موثرتر وجود دارد.
Atomwise، یک شرکت داروسازی فناوریمحور، در پیشگاه استفاده از هوش مصنوعی و یادگیری عمیق (ML) برای کشف دارو است. پلتفرم اختصاصی آنها به نام AtomNet از تکنیکهای یادگیری عمیق برای طراحی داروروی مبتنی بر ساختار استفاده میکند. AtomNet با جستجوی یک کتابخانه شیمیایی حاوی تعداد زیادی از ترکیبات قابل ترکیب فراتر از 15 کواتریلیون، به یکتاپژوهی تجربی دسترسی دارد. این رویکرد به AtomNet اجازه میدهد تا فضای شیمیایی جدید را کاوش کرده و کاندیدایان پتانسیلی را شناسایی کند.
سوالات متداول
1. چیست بازرسی پربار (HTS)؟
بازرسی پربار، روشی است که در کشف دارو برای سریع ارزیابی تعداد بزرگی از ترکیبات جهت فعالیت درمانی پتانسیل استفاده میشود. این روش به دانشمندان این امکان را میدهد که ویژگیهای هزاران یا حتی میلیونها مولکول را بررسی کرده و کاندیداهای پتانسیلی را برای توسعه بیشتر شناسایی کنند.
2. چیست هوش مصنوعی (AI) در کشف دارو؟
هوش مصنوعی در کشف دارو به کارگیری الگوریتمهای کامپیوتری و تکنیکهای یادگیری ماشین برای تجزیه و تحلیل حجم زیادی از دادهها و شناسایی کاندیدایان دارویی پتانسیل اشاره دارد. هوش مصنوعی میتواند به محققان در جنبههای گوناگونی از فرآیند کشف دارو کمک کند، از جمله شناسایی هدف، بازرسی مجازی و بهینهسازی ترکیبات پیشرو.
3. چیست AtomNet؟
AtomNet یک پلتفرم کشف دارویی AI/ML است که توسط Atomwise توسعه یافته است. از الگوریتمهای یادگیری عمیق برای تجزیه و تحلیل ساختار مولکولی و پیشبینی فعالیت پتانسیلی آنها برای هدفهای خاص پروتئینی استفاده میکند. AtomNet بر روی مقدار زیادی از دادههای مولکولی آموزش دیده و نشان داده است که داری نرخ موفقیت بالا در شناسایی کاندیدایان برای یک دسته وسیع از اهداف.
4. چگونه AtomNet از بازرسی پربار متداول متفاوت است؟
AtomNet از روشهای بازرسی پربار متداول با این تفاوت که یک رویکرد محاسباتی است و نه فیزیکی. در حالی که بازرسی HTS معمولی بر تست فیزیکی ترکیبات در آزمایشگاه تکیه میکند، AtomNet از الگوریتمهای هوش مصنوعی و یادگیری ماشین برای جستجوی مجازی یک کتابخانه شیمیایی غولآسا و شناسایی کاندیدایان پتانسیلی استفاده میکند. این رویکرد امکان اکتشاف گستردهتری از فضای شیمیایی را فراهم میکند و ممکن است کاندیداهای درمانی نوا مشخص کند.
The source of the article is from the blog karacasanime.com.ve