قام باحثون من جامعة كامبريدج بتسخير قوة الذكاء الاصطناعي (AI) لتسريع فحص الأدوية الجديدة لعلاج مرض باركنسون.
حددت التكنولوجيا خمسة مرشحين محتملين للغاية للأدوية للمضي قدمًا لإجراء مزيد من التحليل، مما يشير إلى أن الطريقة يمكن أن تسرع عملية اكتشاف الدواء بمقدار 10 أضعاف.
يؤثر مرض باركنسون على أكثر من 6 ملايين شخص في جميع أنحاء العالم، ويسبب مجموعة واسعة من الأعراض، تتراوح من أعراضه الحركية المميزة إلى المشكلات التي تؤثر على الأمعاء والنوم والمزاج والإدراك.
ومن المتوقع أن يتضاعف عدد الأشخاص المصابين بمرض باركنسون ثلاث مرات بحلول عام 2040، وهو المرض العصبي الأسرع نموًا في جميع أنحاء العالم، على الرغم من العبء المتزايد لمرض باركنسون، لم تتم الموافقة على أي علاجات معدلة للمرض والتي تهدف إلى استهداف الآليات التي تسبب المرض لتحسين أعراضه بشكل مباشر حتى الآن.
يُعتقد أن مرض باركنسون ينجم عن بروتينات مارقة تتجمع بشكل خاطئ وتتجمع معًا لتشكل أجسام ليوي، وتتراكم في النهاية داخل الخلايا العصبية مما يؤدي إلى ضعف الوظيفة أو حتى موت الخلايا.
إن التجارب على علاجات محتملة لمرض باركنسون جارية، ولكن الأساليب التجريبية لتحديد الأهداف الجزيئية الصحيحة غير موجودة مما يخلق فجوة تكنولوجية أعاقت تطويرها.
"أحد الطرق للبحث عن علاجات محتملة لمرض باركنسون يتطلب تحديد الجزيئات الصغيرة التي يمكن أن تمنع تراكم ألفا سينوكلين، وهو بروتين يرتبط ارتباطا وثيقا بالمرض"، قال المؤلف الرئيسي للدراسة البروفيسور ميشيل فيندرسكولو، أستاذ الفيزياء الحيوية في قسم الكيمياء بجامعة كامبريدج يوسف حميد. "لكن هذه عملية تستغرق وقتا طويلا للغاية - فمجرد تحديد مرشح رئيسي لمزيد من الاختبارات يمكن أن يستغرق شهورا أو حتى سنوات."
استغل فيندرسكولو وزملاؤه من جامعة كامبريدج قوة الذكاء الإصطناعي في دراستهم الجديدة لتسريع وتقليل التكاليف المرتبطة بتطوير دواء باركنسون.
طور الباحثون نهجًا قائمًا على التعلم الآلي لفحص المكتبات التي تحتوي على ملايين المركبات الكيميائية لتحديد المرشحين الذين يرتبطون بمجموعات البروتين ويمنعون نموها.
تم بعد ذلك اختبار المركبات ذات التصنيف العالي تجريبيًا للعثور على المركبات التي تمنع تراكم البروتين بأكبر قدر من الفعالية، ثم تم إدخال هذه المعلومات مرة أخرى في نموذج التعلم الآلي في التكرارات، لتحديد أفضل المركبات المرشحة في النهاية.
وأوضح فيندرسكولو: "بدلاً من الفحص التجريبي، نقوم بالفحص الحسابي"، "باستخدام المعرفة التي اكتسبناها من الفحص الأولي باستخدام نموذج التعلم الآلي الخاص بنا، تمكنا من تدريب النموذج لتحديد المناطق المحددة في هذه الجزيئات الصغيرة المسؤولة عن الارتباط، ثم يمكننا إعادة الفحص والعثور على جزيئات أكثر فعالية."
سمحت هذه الطريقة للباحثين بتطوير مركبات تستهدف الجيوب الموجودة على السطح الكلي والتي تمكن من تكاثرها. تعتبر هذه المركبات أكثر فعالية - وأقل تكلفة في تطويرها من الأمثلة السابقة.
وقال فيندرسكولو: "إن التعلم الآلي له تأثير حقيقي على عملية اكتشاف الأدوية، فهو يعمل على تسريع العملية برمتها لتحديد المرشحين الواعدين". "بالنسبة لنا، هذا يعني أنه يمكننا البدء في العمل على برامج متعددة لاكتشاف الأدوية بدلاً من برنامج واحد فقط. هناك الكثير مما يمكن تحقيقه بفضل التخفيض الهائل في الوقت والتكلفة إنه وقت مثير."
