یافتن داروهای جدید - به نام "کشف دارو" - یک کار پرهزینه و وقت گیر است. اما نوعی از هوش مصنوعی به نام یادگیری ماشینی می تواند روند را به شدت تسریع کند و کار را با کسری از قیمت انجام دهد.
من و همکارانم اخیراً از این فناوری برای یافتن سه نامزد امیدوارکننده برای داروهای سنولیتیک استفاده کردیم - داروهایی که پیری را کند می‌کنند و از بیماری‌های مرتبط با افزایش سن جلوگیری می‌کنند.
سنولیتیک ها با کشتن کار می کنند سلول های پیری. اینها سلول‌هایی هستند که «زنده» هستند (از نظر متابولیک فعال)، اما دیگر نمی‌توانند تکثیر شوند، از این رو نام مستعار آنها: سلول‌های زامبی است.
عدم توانایی در تکرار لزوما چیز بدی نیست. این سلول‌ها به DNA خود آسیب دیده‌اند - به عنوان مثال، سلول‌های پوست آسیب دیده توسط اشعه‌های خورشید - بنابراین توقف تکثیر مانع از گسترش آسیب می‌شود.
اما سلول های پیر همیشه چیز خوبی نیستند. الف ترشح می کنند کوکتل پروتئین های التهابی که می تواند به سلول های مجاور سرایت کند. در طول زندگی، سلول های ما از رگبار حملات، از اشعه ماوراء بنفش گرفته تا قرار گرفتن در معرض مواد شیمیایی، رنج می برند و بنابراین این سلول ها تجمع می یابند. تعداد زیادی از سلول های پیر در الف نقش دارند طیف وسیعی از بیماری هااز جمله دیابت نوع 2، کووید، فیبروز ریوی، آرتروز و سرطان.
مطالعات روی موش های آزمایشگاهی نشان داده اند که از بین بردن سلول های پیر، با استفاده از senolytics، می تواند این بیماری ها را بهبود بخشد. این داروها می توانند سلول های زامبی را از بین ببرند و در عین حال سلول های سالم را زنده نگه دارند.
دور و بر 80 سنولیتیک شناخته شده اند، اما تنها دو مورد در انسان آزمایش شده است: ترکیبی از داساتینیب و کوئرستین. یافتن سنولیتیک‌های بیشتری که می‌توانند در انواع بیماری‌ها مورد استفاده قرار گیرند، عالی است، اما ده تا ۲۰ سال طول می‌کشد. میلیاردها دلار برای اینکه دارویی به بازار برسد.
نتایج در پنج دقیقه
من و همکارانم - از جمله محققان دانشگاه ادینبورگ و شورای تحقیقات ملی اسپانیا IBBTEC-CSIC در سانتاندر، اسپانیا - می‌خواستیم بدانیم که آیا می‌توانیم مدل‌های یادگیری ماشینی را برای شناسایی نامزدهای جدید داروهای سنولیتیک آموزش دهیم.
برای انجام این کار، مدل‌های هوش مصنوعی را با نمونه‌های شناخته شده تغذیه کردیم سنولیتیک ها و غیرسنولیتیک ها. مدل‌ها یاد گرفتند که بین این دو تمایز قائل شوند و می‌توانستند برای پیش‌بینی اینکه آیا مولکول‌هایی که قبلاً هرگز ندیده‌اند نیز می‌توانند senolytic باشند، استفاده شوند.
هنگام حل یک مشکل یادگیری ماشینی، معمولا داده ها را ابتدا روی طیف وسیعی از مدل های مختلف آزمایش می کنیم، زیرا برخی از آنها نسبت به بقیه بهتر عمل می کنند. برای تعیین بهترین مدل، در ابتدای فرآیند، بخش کوچکی از داده‌های آموزشی موجود را جدا می‌کنیم و آن را تا پایان فرآیند آموزشی از مدل مخفی نگه می‌داریم. سپس از این داده های آزمایشی برای تعیین تعداد خطاهای مدل استفاده می کنیم. کسی که کمترین خطا را مرتکب شود، برنده است.
ما بهترین مدل خود را تعیین کردیم و آن را برای پیش بینی تنظیم کردیم. ما به آن 4,340 مولکول دادیم و پنج دقیقه بعد لیستی از نتایج را ارائه داد.
مدل هوش مصنوعی 21 مولکول با امتیاز بالا را شناسایی کرد که به نظر می رسد احتمال بالایی دارند که senolytic هستند. اگر ما 4,340 مولکول اصلی را در آزمایشگاه آزمایش کرده بودیم، حداقل چند هفته کار فشرده و 50,000 پوند فقط برای خرید ترکیبات نیاز داشتیم، بدون احتساب هزینه ماشین آلات آزمایشی و راه اندازی.
سپس این داروها را روی دو نوع سلول آزمایش کردیم: سالم و پیر. نتایج نشان داد که از بین 21 ترکیب، سه ترکیب (پریپلوسین، اولئاندرین و جینک‌گتین) قادر به حذف سلول‌های پیر شدند و در عین حال بیشتر سلول‌های طبیعی را زنده نگه داشتند. سپس این senolytics جدید تحت آزمایشات بیشتری قرار گرفتند تا در مورد نحوه عملکرد آنها در بدن اطلاعات بیشتری کسب کنند.
آزمایش‌های بیولوژیکی دقیق‌تر نشان داد که از بین سه دارو، اولاندرین مؤثرتر از بهترین داروی سنولیتیک شناخته شده در نوع خود بود.
پیامدهای بالقوه این رویکرد میان رشته ای - شامل دانشمندان داده، شیمیدانان و زیست شناسان - بسیار زیاد است. با توجه به داده‌های باکیفیت کافی، مدل‌های هوش مصنوعی می‌توانند کار شگفت‌انگیزی را که شیمیدان‌ها و زیست‌شناسان برای یافتن درمان‌ها و درمان‌های بیماری‌ها انجام می‌دهند، به ویژه مواردی که نیازهای برآورده نشده انجام می‌دهند، تسریع بخشند.
با تأیید اعتبار آنها در سلول های پیر، اکنون در حال آزمایش سه سنولیتیک کاندید در بافت ریه انسان هستیم. امیدواریم تا دو سال دیگر نتایج بعدی خود را گزارش کنیم.
درباره نویسنده
ونسا اسمر-بارتو، پژوهشگر موسسه ژنتیک و پزشکی مولکولی، دانشگاه ادینبورگ
این مقاله از مجله منتشر شده است گفتگو تحت مجوز Creative Commons دفعات بازدید: مقاله.
کتاب های مرتبط:
بدن امتیاز را حفظ می کند: ذهن و بدن مغز در درمان تروما
توسط بسل وان در کلک
این کتاب به بررسی ارتباط بین تروما و سلامت جسمی و روانی می پردازد و بینش ها و استراتژی هایی را برای بهبود و بهبودی ارائه می دهد.
برای اطلاعات بیشتر یا سفارش کلیک کنید
نفس: علم جدید یک هنر گمشده
توسط جیمز نستور
این کتاب علم و تمرین تنفس را بررسی می کند و بینش ها و تکنیک هایی را برای بهبود سلامت جسمی و روانی ارائه می دهد.
برای اطلاعات بیشتر یا سفارش کلیک کنید
پارادوکس گیاهی: خطرات پنهان در غذاهای "سالم" که باعث بیماری و افزایش وزن می شوند
توسط استیون آر گاندری
این کتاب به بررسی پیوندهای بین رژیم غذایی، سلامتی و بیماری می پردازد و بینش ها و استراتژی هایی را برای بهبود سلامت و تندرستی کلی ارائه می دهد.
برای اطلاعات بیشتر یا سفارش کلیک کنید
کد ایمنی: پارادایم جدید برای سلامت واقعی و ضد پیری رادیکال
توسط جوئل گرین
این کتاب با تکیه بر اصول اپی ژنتیک و ارائه بینش ها و استراتژی هایی برای بهینه سازی سلامت و پیری، دیدگاه جدیدی در مورد سلامت و ایمنی ارائه می دهد.
برای اطلاعات بیشتر یا سفارش کلیک کنید
راهنمای کامل روزه داری: بدن خود را از طریق روزه متناوب، متناوب و طولانی شفا دهید
توسط دکتر جیسون فانگ و جیمی مور
این کتاب علم و عمل روزه داری را بررسی می کند و بینش ها و استراتژی هایی را برای بهبود سلامت و تندرستی کلی ارائه می دهد.
