- يستخدم العلماء الفنلنديون التعلم الآلي لتسريع اكتشاف الأدوية، مما يجعل العملية أسرع وأكثر كفاءة.
- اختبروا 1.56 مليار جزيء شبيه بالأدوية ووجدوا أن التعلم الآلي حدد 90% من المركبات الأعلى تقييماً في عشرة أيام.
- تجمع هذه الأبحاث بين التعاون الأكاديمي والصناعي، وتوفر مجموعات بيانات مفتوحة لتعزيز الابتكارات المستقبلية في اكتشاف الأدوية الحسابي.
في جهد بحثي رائد، فتح علماء من جامعة شرق فنلندا حقبة جديدة في اكتشاف الأدوية، مستغلين إمكانات التعلم الآلي. من خلال شراكة استراتيجية مع خبراء الصناعة والقدرات الحسابية لأجهزة الحاسوب الفائقة، أسفرت هذه التعاون عن نتائج مذهلة، مما أدى إلى ضغط كبير في الوقت المطلوب للفحص الافتراضي للأدوية.
توفر هذه المقالة رؤى شاملة حول هذه المنهجية الرائدة، مع التأكيد على آثارها على القطاع الدوائي والمجتمع العلمي الأوسع.
الفحص الافتراضي الرائد
شهد مجال الفحص الافتراضي، وهو مرحلة محورية في السعي وراء مركبات دوائية جديدة، تحولاً جذرياً بفضل دمج التعلم الآلي. اعتمد الباحثون على تقنيات سريعة بمساعدة الحاسوب لتصفية مكتبات المركبات الواسعة، بحثاً عن عوامل محتملة لاستهداف كيانات دوائية محددة.
ومع ذلك، فقد تفوق الانفجار في حجم هذه المكتبات على قدرات حتى أكثر أجهزة الحاسوب الفائقة تطوراً. ونتيجة لذلك، قد يستغرق فحص مكتبة مركبات بحجم مليار ضد هدف دوائي واحد عدة أشهر أو حتى سنوات، مما يشكل تحدياً هائلاً للصناعة.
الدراسة التاريخية
في نشر حديث في مجلة المعلومات والنمذجة الكيميائية، الدكتورة إينا بوهر وزملاؤها الموقرون من كلية الصيدلة في جامعة شرق فنلندا. بالشراكة مع مركز CSC لتقنية المعلومات المحدودة، الذروة في الحوسبة الفائقة في فنلندا، وشركاء صناعيين رئيسيين من أورين فارما، انطلقوا في مهمة لاستغلال إمكانات التعلم الآلي للفحص الافتراضي على نطاق جيجا.
قام الباحثون بتأسيس خط أساس بعناية قبل إدخال الذكاء الاصطناعي في سير عملهم. انطلقوا في حملة فحص افتراضي ضخمة قيمت 1.56 مليار جزيء شبيه بالدواء ضد هدفين ذا صلة دوائية. تم تنفيذ هذا العمل الشاق، الذي استمر لأكثر من نصف عام، بمساعدة أجهزة الحاسوب الفائقة Mahti وPuhti، باستخدام تقنية الإرساء الجزيئي. تفحص هذه الطريقة الحسابية توافق الجزيئات الصغيرة مع موقع الارتباط للهدف.
التعلم الآلي في الطليعة
بعد مرحلة الإرساء المكثفة، خضعت النتائج لعملية فحص معززة بالتعلم الآلي تم تنظيمها من خلال HASTEN، وهي أداة ابتكرها الدكتور تومو كاليوكوسكي من أورين فارما. يستغل HASTEN قوة التعلم الآلي لفك الخصائص المعقدة للجزيئات وتأثيرها على تقييم المركبات. بالاستفادة من مجموعة بيانات ضخمة تم جمعها من خلال الإرساء التقليدي، يمكن لنموذج التعلم الآلي التنبؤ بسرعة بنتائج الإرساء لمركبات أخرى في المكتبة، متفوقاً بشكل كبير على نهج الإرساء القسري المكلف للموارد.
لم تكن النتائج أقل من استثنائية. مع إرساء مجرد 1% من المكتبة الكاملة واستخدامها كبيانات تدريب، حدد HASTEN 90% من أعلى المركبات تقييماً في أقل من عشرة أيام. يمثل هذا الإنجاز قفزة كمية في الكفاءة، مما يسلط الضوء على الإمكانات التحويلية للتعلم الآلي في ثورة مشهد اكتشاف الأدوية.
إن نجاح هذا البحث هو شهادة على التآزر بين الأوساط الأكاديمية والصناعة. أكد البروفيسور أنتي بوسو، الذي يرأس مجموعة اكتشاف الأدوية الحسابية داخل مجتمع أبحاث DrugTech بجامعة شرق فنلندا، على الدور المحوري الذي لعبته الموارد الحسابية المتطورة التي يوفرها CSC في تحقيق أهدافهم الطموحة. هذا التعاون نموذجي، ويوضح كيف يمكن لدمج الأفكار والموارد والتكنولوجيا المتطورة دفع البحث العلمي إلى آفاق غير مسبوقة.
البيانات المفتوحة محفز للابتكار المستقبلي
إدراكاً لأهمية نشر المعرفة، قام مؤلفو الدراسة بتوفير مجموعات بيانات كبيرة للجمهور بحسن نية. تشمل هذه المجموعات مكتبة فحص جاهزة للنشر للإرساء، مما يمكّن الباحثين الآخرين من تسريع جهودهم في الفحص.
علاوة على ذلك، تم الكشف عن مجموعة البيانات المكونة من نتائج إرساء 1.56 مليار مركبة لهدفين كبيانات للمعايرة. لا تعزز هذه البادرة الخيرية التعاون فحسب، بل تمهد الطريق أيضاً لتطوير أدوات يمكنها تبسيط العمليات، والحفاظ على الموارد، وتقدم مجال اكتشاف الأدوية الحسابي.
أذكى العقول في عالم العملات الرقمية يقرأون بالفعل نشرتنا الإخبارية. هل تريد الانضمام؟ انضم إليهم.
بريندا كانانا
تمتلك بريندا أكثر من 4 سنوات من الخبرة المتخصصة في العملات الرقمية والذكاء الاصطناعي والتقنيات الناشئة. عملت في Zycrypto وBlockchain Reporter وThe Coin Republic، وهي الآن جعلت Cryptopolitan منزلها. يحافظ شهادتها في علم الاجتماع من جامعة مومباسا التقنية على تواصلها مع نبض قرائها.
