پیشبینی داروهای تأثیرگذار مبتنی بر یادگیری عمیق

به گزارش نت واش، «پیش بینی تعامل پروتئین-ترکیب با دخالت اطلاعات شباهت ترکیبات دارویی و دنباله های پروتئینی در شبکه های مبتنی بر یادگیری عمیق» عنوان طرح پسادکتری کریم عباسی و گرنت پژوهشی حمیدرضا ربیعی است که بنیاد ملی علم ایران از این طرح حمایت کرده است.

به گزارش نت واش به نقل از ایسنا، کریم عباسی با مدرک دکتری تخصصی بیوانفورماتیک از دانشگاه تهران در رابطه با این طرح توضیح داد: یکی از مهم‏ترین هدف های فازهای اولیه کشف دارو، یافتن مولکول های دارویی کاندیدا با فعالیت فارماکولوژیک مناسب و سمیت کم است. روش‏ های آزمایشگاهی طراحی و کشف دارو زمان‏بر و پرهزینه هستند.
وی افزود: ازاین رو در کنار روش‏ های آزمایشگاهی، از روش های محاسباتی هم استفاده می ‏شود. از روش های محاسباتی که برای پیشبینی بهترین کاندیدای داروها استفاده می ‏شود، می ‏توان به روش های سیستم بیولوژی، یادگیری ماشین کلاسیک و یادگیری عمیق اشاره نمود. با استفاده از این روش‏ ها میتوان داروهای تأثیرگذار را پیش بینی نمود و سپس تحقیقات آزمایشگاهی بر روی آنها صورت گیرد.
این پژوهشگر در ادامه بیان نمود: در این پژوهش پیشبینی تعامل پروتئین-ترکیب (CPI) مورد بررسی قرار گرفت. در پیشبینی تعامل پروتئین-ترکیب مقدار عددی تمایل اتصال یک ترکیب (کاندیدای دارو) با یک پروتئین هدف تعیین می شود که نقش اساسی در فاز اولیه فرایند کشف دارو دارد.
وی افزود: همینطور در این پژوهش به دنبال پاسخ به این سوال اساسی بودیم که آیا می ‏توان مدلی مبتنی بر یادگیری عمیق که بتواند با بهره ‏گیری از دانش اضافی موجود در مجموعه داده ها، همانند اطلاعات شباهت میان ترکیبات دارویی و پروتئین ها طراحی کرد؟
عباسی در انتها تصریح کرد: یک مدل محاسباتی مبتنی بر یادگیری عمیق برای پیشبینی میزان تعامل جفت پروتئین-ترکیب با درنظر گرفتن اطلاعات شباهت میان ترکیبات دارویی و پروتئین ها هم طراحی شد. از این مدل بیشتر در فازهای اولیه طراحی دارو استفاده خواهد شد.

منبع: netwash.ir

1403/09/20

11:54:13

5.0 / 5

تگهای خبر: ماشین

این پست نت واش را می پسندید؟

(1)

(0)

تازه ترین مطالب مرتبط

نظرات بینندگان در مورد این مطلب نت واش

نظر شما در مورد این مطلب

نام:

ایمیل:

نظر:

سوال:

= ۷ بعلاوه ۲