هوش مصنوعی برای بیماری‌های درمان ناپذیر دارو می‌سازد

مطالعه‌ای که در نشریه Nature Biotechnology منتشر شده، کاربرد قدرتمند جدیدی برای هوش مصنوعی را نشان می‌دهد: طراحی مولکول‌های کوچک شبیه دارو که می‌توانند به پروتئین‌های مضر در بدن بچسبند و آن‌ها را تجزیه کنند. حتا زمانی که دانشمندان نمی‌دانند این پروتئین‌ها چه شکلی هستند.

این پیشرفت می‌تواند منجر به درمان‌های جدیدی برای بیماری‌هایی شود که مدت‌ها در برابر روش‌های سنتی داروسازی مقاومت کرده‌اند؛ از جمله برخی سرطان‌ها، اختلالات مغزی و عفونت‌های ویروسی.

ساخت دارو با هوش مصنوعی

این مطالعه توسط تیمی چندنهادی از دانشگاه‌های مک‌مستر، دوک و کرنل انجام شده است. ابزار هوش مصنوعی مورد استفاده، PepMLM نام دارد که بر پایه الگوریتمی ساخته شده که در ابتدا برای درک زبان انسان و استفاده در چت‌بات‌ها طراحی شده بود، اما اکنون برای درک «زبان پروتئین‌ها» آموزش دیده است.

در سال 2024، جایزه نوبل شیمی به پژوهشگران هوش مصنوعی گوگل DeepMind برای توسعه AlphaFold اهدا شد؛ سیستمی مبتنی بر هوش مصنوعی که ساختار سه‌بعدی پروتئین‌ها را پیش‌بینی می‌کند. از این سیستم به عنوان پیشرفتی بزرگ در کشف دارو یاد می‌شود. اما بسیاری از پروتئین‌های مرتبط با بیماری‌ها، از جمله آن‌هایی که در سرطان و بیماری‌های عصبی نقش دارند، از ساختار پایداری برخوردار نیستند.

در اینجا هوش مصنوعی PepMLM رویکرد متفاوتی را برای خلق دارو اتخاذ می‌کند. به جای تکیه بر ساختار، این ابزار فقط از توالی پروتئین برای طراحی داروهای پپتیدی استفاده می‌کند. این روش امکان هدف‌گیری دامنه وسیع‌تری از پروتئین‌های بیماری‌زا را فراهم می‌کند، حتا آن‌هایی که قبلاً «غیرقابل درمان» تلقی می‌شدند.

پرانام چاترجی، نویسنده ارشد مطالعه که این پروژه را در دانشگاه دوک رهبری کرده و اکنون عضو هیئت علمی دانشگاه پنسیلوانیا است، گفت: «اکثر ابزارهای طراحی دارو به دانستن ساختار سه‌بعدی پروتئین وابسته‌اند، اما بسیاری از اهداف مهم بیماری ساختار پایداری ندارند. PepMLM بازی را تغییر می‌دهد. با طراحی مولکول‌های پپتیدی فقط بر اساس توالی اسیدهای آمینه پروتئین.»

در تحقیقات آزمایشگاهی، تیم پژوهش نشان داد که PepMLM می‌تواند پپتیدهایی طراحی کند -زنجیره‌های کوتاه اسیدهای آمینه- که به پروتئین‌های مرتبط با بیماری می‌چسبند و در برخی موارد به تخریب آن‌ها کمک می‌کنند. این پروتئین‌ها شامل مواردی در سرطان، اختلالات تولیدمثل، بیماری هانتینگتون و حتی عفونت‌های ویروسی زنده بودند.

چاترجی گفت:

این یکی از نخستین ابزارهایی است که می‌تواند چنین مولکول‌هایی را مستقیماً از توالی پروتئین طراحی کند. این راه را برای توسعه درمان‌های جدید سریع‌تر و مؤثرتر باز می‌کند.

در دانشگاه مک‌مستر، کریستینا پنگ، دانشجوی دکترا در آزمایشگاه ترونت، رهبری آزمایش‌های مربوط به بیماری هانتینگتون را بر عهده داشت. او گفت: «هیجان‌انگیز است که ببینیم این پپتیدهای طراحی‌شده توسط هوش مصنوعی واقعا می‌توانند درون سلول‌ها عمل کرده و پروتئین‌های سمی را تجزیه کنند. این می‌تواند رویکردی قدرتمند برای بیماری‌هایی مانند هانتینگتون باشد که داروهای سنتی در آن‌ها مؤثر نبوده‌اند.»

از آزمایشگاه تا درمان: تولد نسل جدید داروهای پپتیدی

بخش‌های دیگر این مطالعه در دانشگاه کرنل انجام شد. جایی که آزمایشگاه‌های متیو دلیسا و هکتور آگویلار پپتیدها را روی پروتئین‌های ویروسی ساختند و آزمایش کردند. در دانشگاه دوک نیز تیم چاترجی مدل هوش مصنوعی را توسعه داد و آزمایش‌های اولیه را اجرا کرد. همچنین ری ترونت از دانشگاه مک‌مستر در این پروژه مشارکت داشت.

ترونت، استاد بیوشیمی و علوم زیست‌پزشکی، گفت: «این کار نشان می‌دهد که اکنون می‌توانیم هر پروتئینی را به پروتئین دیگر متصل کنیم. می‌توانیم پروتئین‌های مضر را تجزیه کنیم، پروتئین‌های مفید را تثبیت کنیم یا نحوه اصلاح آن‌ها را بسته به هدف درمانی کنترل کنیم.»

تیم تحقیقاتی در حال حاضر روی نسل بعدی الگوریتم‌های هوش مصنوعی مانند PepTune و MOG-DFM کار می‌کند تا عملکرد این پپتیدها در بدن را بهبود بخشد. از جمله افزایش پایداری، هدف‌گیری دقیق‌تر و سهولت در انتقال آن‌ها.

چاترجی در پایان گفت: «هدف نهایی ما ایجاد یک پلتفرم درمانی پپتیدی عمومی و قابل برنامه‌ریزی است. پلتفرمی که با یک توالی شروع شود و به یک داروی واقعی منتهی گردد.»

خلاصه‌ای از مطالعه PepMLM

بخش
توضیحات

نام ابزار هوش مصنوعی
PepMLM

هدف اصلی
طراحی مولکول‌های پپتیدی برای تجزیه پروتئین‌های مضر بدون نیاز به ساختار سه‌بعدی آن‌ها

مبنای الگوریتم
الگوریتمی مشابه مدل‌های زبان انسانی (مثل چت‌بات‌ها)

تفاوت با AlphaFold
AlphaFold ساختار 3D را پیش‌بینی می‌کند؛ PepMLM فقط از توالی پروتئین استفاده می‌کند

مزیت کلیدی
امکان هدف‌گیری پروتئین‌های «غیرقابل درمان» یا فاقد ساختار پایدار

نتایج آزمایشگاهی
طراحی پپتیدهایی که به پروتئین‌های بیماری‌زا می‌چسبند و در برخی موارد آن‌ها را تخریب می‌کنند

بیماری‌های هدف
سرطان، اختلالات تولیدمثل، بیماری هانتینگتون، عفونت‌های ویروسی زنده

مشارکت‌کنندگان اصلی
دانشگاه‌های مک‌مستر، دوک، کرنل

ابزارهای آینده
PepTune و MOG-DFM برای بهبود پایداری و هدف‌گیری پپتیدها در بدن

هدف نهایی
ساخت پلتفرم درمانی پپتیدی قابل برنامه‌ریزی از توالی تا داروی واقعی

کاربردهای آینده این فناوری

درمان بیماری‌های مقاوم به داروهای سنتی
تشخیص سریع‌تر و دقیق‌تر بیماری‌ها با ابزارهای مبتنی بر توالی
افزایش سرعت توسعه داروهای شخصی‌سازی‌شده
امکان درمان بیماری‌های ژنتیکی و عصبی با روش‌های نوین

منبع خبر