راهنمای یادگیری فعال در کشف داروهای همافزا
🔸درمانهای ترکیبی دارویی، بهویژه در سرطان، اثربخشی بیشتری نسبت به درمانهای تکدارویی دارند، اما شناسایی ترکیبهای همافزا چالشبرانگیز و پرهزینه است. در این میان، یادگیری عمیق در پیشبینی این ترکیبها مفید بوده، اما به دلیل نادر بودن همافزایی، کارایی آن محدود است. یادگیری فعال که شامل ادغام آزمایشهای تجربی با فرآیند یادگیری است، راهکاری نوین برای حل این مشکل محسوب میشود.
🔸چالش اصلی: یافتن سوزن در انبار کاه
بانکهای دادهای مانند Drugcomb و ALMANAC شامل صدها هزار ترکیب داروییاند، اما درصد کمی از آنها واقعاً همافزا هستند. مدلهای هوش مصنوعی، از جمله DeepSynergy و DeepDDS، تلاش کردهاند با استفاده از ویژگیهای مولکولی و سلولی، این ترکیبها را بهتر شناسایی کنند. بااینحال، بررسی فضای گستردهی ترکیبهای دارویی همچنان هزینهبر و زمانبر است.
🔸یادگیری فعال: راهحلی برای افزایش بازدهی
مدل RECOVER با بهرهگیری از یادگیری فعال، بهجای پیشبینی تصادفی، ترکیبهایی را انتخاب میکند که احتمال همافزایی بالاتری دارند. این روش تا ۱۰ برابر بیشتر از انتخاب تصادفی ترکیبهای مؤثر را شناسایی کرده و باعث صرفهجویی ۸۲٪ در زمان و هزینه آزمایشهای تجربی شده است.
🔸کدام ویژگیها برای پیشبینی مهمترند؟
بررسی سه مؤلفهی کلیدی در یادگیری فعال نشان داد که:
۱. الگوریتمهای یادگیری عمیق عملکرد بهتری در شناسایی همافزایی دارند.
۲. ویژگیهای محیط سلولی (مانند بیان ژنی) تأثیر بسزایی در بهبود پیشبینیها دارند و دقت را تا ۶٪ افزایش میدهند.
۳. نمایشهای مولکولی داروها، بهویژه ردپای مورگان (Morgan Fingerprint)، بهترین عملکرد را در توصیف داروها داشتهاند.
یادگیری فعال راهی نوین برای شناسایی ترکیبهای دارویی همافزا با کمترین هزینه و بیشترین بازدهی است. استفاده از ویژگیهای سلولی، روشهای بهینهسازی و ترکیب مدلهای هوش مصنوعی، میتواند فرآیند کشف دارو را متحول کرده و نیاز به آزمایشهای پرهزینه را کاهش دهد.
ویژگیهای محیط سلولی تأثیر قابلتوجهی بر پیشبینیها دارند و یادگیری فعال میتواند ۶۰٪ ترکیبهای همافزا را تنها با بررسی ۱۰٪ فضای ترکیبی کشف کند.
📝 مترجم : مهسا رفیعی پور
✍🏻 ویراستار : شیدا هشترودی
منبع:
A guide for active learning in synergistic drug discovery | Scientific Reports
https://www.nature.com/articles/s41598-025-85600-3
Post #1381
798
- 👏 4
- ❤ 1