محققان پلتفرمی ایجاد کرده‌اند که آزمایش‌های خودکار را با هوش مصنوعی ترکیب می‌کند تا نحوه واکنش مواد شیمیایی با یکدیگر را پیش‌بینی کند که می‌تواند روند طراحی داروهای جدید را سرعت بخشد.
پیش‌بینی چگونگی واکنش مولکول‌ها برای کشف و تولید داروهای جدید حیاتی است، اما از نظر تاریخی این یک فرآیند آزمون و خطا بوده است و واکنش‌ها اغلب با شکست مواجه می‌شوند. برای پیش‌بینی چگونگی واکنش مولکول‌ها، شیمیدان‌ها معمولاً الکترون‌ها و اتم‌ها را در مدل‌های ساده‌شده شبیه‌سازی می‌کنند، فرآیندی که از نظر محاسباتی گران و اغلب نادرست است.
اکنون محققان دانشگاه کمبریج رویکردی مبتنی بر داده‌ها را با الهام از ژنومیک توسعه داده‌اند که در آن آزمایش‌های خودکار با یادگیری ماشینی ترکیب می‌شوند تا واکنش‌پذیری شیمیایی را درک کنند و این روند را تا حد زیادی سرعت می‌بخشد. آنها رویکرد خود را که بر روی مجموعه داده ای از بیش از 39000 واکنش دارویی مرتبط تایید شده بود، “reactome” شیمیایی نامیدند.
نتایج آنها در مجله گزارش شده است شیمی طبیعیهمکاری کمبریج و فایزر است.
دکتر اما کینگ اسمیت از آزمایشگاه کاوندیش در کمبریج، نویسنده اول مقاله، گفت: «راکتوم می تواند طرز فکر ما را در مورد شیمی آلی تغییر دهد. “درک عمیق تر از شیمی می تواند به ما اجازه دهد که داروها و بسیاری از محصولات مفید دیگر را بسیار سریعتر بسازیم. اما اساساً، درک ما امیدوار به ایجاد به نفع هر کسی است که با مولکول ها کار می کند.
رویکرد واکنش دهنده همبستگی های مربوطه بین واکنش دهنده ها، واکنش دهنده ها و عملکرد واکنش را از داده ها انتخاب می کند و شکاف های موجود در خود داده ها را نشان می دهد. داده‌ها از آزمایش‌های خودکار بسیار سریع یا با کارایی بالا تولید می‌شوند.
کینگ اسمیت گفت: «شیمی پرتوان بازی را تغییر داده است، اما ما معتقد بودیم راهی برای آشکار کردن درک عمیق‌تر از واکنش‌های شیمیایی نسبت به آنچه می‌توان از نتایج اولیه یک آزمایش با توان بالا مشاهده کرد، وجود دارد.
دکتر آلفا لی، سرپرست این مطالعه، گفت: «رویکرد ما روابط پنهان بین اجزای پاسخ و نتایج را آشکار می‌کند. مجموعه داده‌ای که ما مدل را بر روی آن آموزش دادیم بسیار بزرگ است – به انتقال اکتشافات شیمیایی از آزمون و خطا به عصر داده‌های بزرگ کمک می‌کند.
در مقاله مرتبط منتشر شده در ارتباطات طبیعتاین تیم یک رویکرد یادگیری ماشینی ایجاد کرد که به شیمیدانان اجازه می‌دهد تا تبدیل‌های دقیقی را در مناطق از پیش تعیین‌شده یک مولکول معرفی کنند و طراحی سریعتر دارو را ممکن می‌سازد.
این رویکرد به شیمیدانان اجازه می‌دهد تا مولکول‌های پیچیده را تغییر دهند – مانند تغییر طرح در آخرین لحظه – بدون نیاز به ساختن آنها از ابتدا. ایجاد یک مولکول در آزمایشگاه معمولاً یک فرآیند چند مرحله ای است، مانند ساختن یک خانه. اگر شیمیدانان بخواهند هسته یک مولکول را تغییر دهند، روش مرسوم بازسازی مولکول است، مانند خراب کردن خانه و بازسازی از ابتدا. با این حال، تغییرات عمده برای طراحی دارو مهم هستند.
دسته‌ای از واکنش‌ها که به عنوان واکنش‌های عامل‌سازی در مراحل پایانی شناخته می‌شوند، تلاش می‌کنند تا مستقیماً تبدیل‌های شیمیایی را به هسته وارد کنند، و از نیاز به شروع از ابتدا اجتناب کنند. با این حال، انتخابی و قابل کنترل کردن عامل‌سازی در مرحله آخر چالش برانگیز است – معمولاً مناطق زیادی از مولکول‌ها وجود دارند که می‌توانند واکنش نشان دهند و پیش‌بینی نتیجه دشوار است.
کینگ اسمیت گفت: “عملکردهای مرحله آخر می توانند نتایج غیرقابل پیش بینی ایجاد کنند و روش های مدل سازی فعلی، از جمله شهود تخصصی خودمان، کامل نیستند.” یک مدل پیش‌بینی‌کننده‌تر به ما امکان می‌دهد غربالگری بهتری انجام دهیم.»
محققان یک مدل یادگیری ماشینی ایجاد کردند که پیش‌بینی می‌کند یک مولکول در کجا واکنش نشان می‌دهد و چگونه محل واکنش تحت شرایط مختلف واکنش متفاوت است. این به شیمیدانان اجازه می دهد تا راه هایی برای تنظیم دقیق هسته یک مولکول بیابند.
کینگ اسمیت گفت: «ما مدل را بر روی حجم زیادی از داده‌های طیف‌سنجی از قبل آموزش دادیم – به طور موثر شیمی عمومی مدل را آموزش می‌دادیم – قبل از تنظیم دقیق آن برای پیش‌بینی این دگرگونی‌های پیچیده». این رویکرد به تیم اجازه داد تا بر محدودیت داده‌های کم غلبه کند: واکنش‌های عملیاتی‌سازی در مراحل پایانی نسبتاً کمی در ادبیات علمی وجود دارد. این تیم به طور تجربی مدل را بر روی مجموعه متنوعی از مولکول‌های دارو مانند تأیید کرد و توانست مکان‌های واکنش‌پذیری را در شرایط مختلف پیش‌بینی کند.
لی گفت: «کاربرد یادگیری ماشینی در شیمی اغلب به دلیل این مشکل که مقدار داده در مقایسه با وسعت فضای شیمیایی کم است، محدود می‌شود. «رویکرد ما – طراحی مدل‌هایی که از مجموعه داده‌های بزرگی که مشابه هستند، اما با مشکلی که ما در تلاش برای حل آن هستیم یکسان نیستند، یاد می‌گیرند – این چالش اساسی را با داده‌های کم حل می‌کند و می‌تواند پیشرفت‌هایی را فراتر از عملیاتی‌سازی در مراحل آخر باز کند.»
این تحقیق تا حدی توسط فایزر و انجمن سلطنتی پشتیبانی شد.
