وعده بزرگ داروهای زیست مولکولی به دلیل اینکه ورود آنها به سلولها کار دشواری است ، متوقف می شود – اما اکنون محققان آمریکایی برای مقابله با این مشکل از یادگیری ماشینی استفاده کرده اند. آنها Peptimizer را توسعه دادند ، یک مدل یادگیری ماشینی که پپتیدهای نفوذی به سلول (CPPs) را طراحی می کند که انتقال داروی الیگونوکلئوتیدی به سلول ها را 50 برابر بهبود می بخشد.

تیم های رافائل گومز-بمبارلی و بردلی پنتلوت در موسسه فناوری ماساچوست با همکاری Sarepta Therapeutics ، که داروهای الیگونوکلئوتیدی را توسعه می دهد ، بیماریهای نادر ویرانگری مانند دیستروفی عضلانی دوشن (DMD) را هدف قرار می دهد. الیگونوکلئوتیدها زنجیره هایی با حدود 20 بازه نوکلئوتیدی مشابه DNA و RNA هستند. این شباهت به الیگونوکلئوتیدها کمک می کند تا نحوه تبدیل ژن ها به پروتئین را تغییر دهند ، که می تواند برای اختلالات ژنتیکی مانند DMD مفید باشد.

در حالی که اولین داروی الیگونوکلئوتیدی در سال 1998 تأیید شد ، مشکلات ورود آنها به سلول ها مانع از ورود بسیاری دیگر به بازار شد. این امر همچنین منجر به بحث و جدل در مورد نحوه عملکرد داروی eteplirsen Dare Sarepta هنگام تأیید توسط سازمان غذا و داروی ایالات متحده شد.

به گفته کارلی شیسل ، محقق دکتری ، تیم Pentelute دریافت که پیوند دادن دو CPP معروف از 5 تا 20 آمینو اسید باعث افزایش شدید فعالیت می شود. با این حال ، بهبود بیشتر CPP ها چالش برانگیز شد زیرا ترکیبات اسیدهای آمینه در توالی 40 باقی مانده بیشتر از اتم های روی زمین است. محققان به یادگیری ماشینی روی آوردند و نشان دادند که یک شبکه عصبی ساده می تواند تحویل داروی الیگونوکلئوتیدی را سه برابر افزایش دهد.

“این به ما گفت که یادگیری ماشین می تواند با آنچه ما انجام می دادیم سازگار باشد.” اما ما می خواستیم یک مدل یادگیری ماشینی پیشرفته تر برای طراحی توالی های بسیار فعال آموزش دهیم. “

به سادگی بهترین داده های آموزشی

Somesh Mohapatra ، محقق دکتری در تیم Gómez-Bombarelli بنابراین Peptimizer ، ترکیبی از دو شبکه عصبی را توسعه داد. اولین مورد با توالی های بیش از 1000 CPP شناخته شده آموزش داده شد ، به طوری که می تواند توالی های جدیدی را که ممکن است مثر باشد پیشنهاد دهد.

محققان این توالی ها را به دومین شبکه عصبی پیش بینی کننده – بهینه کننده تغذیه کردند. Mohapatra این را با داده های 600 ترکیب از ترکیبات الیگونوکلئوتید -CPP که تیم Pentelute سنتز کرده و در آزمایش سلولی آزمایش کرده بود ، آموزش داده بود. به گفته موهاپاترا ، شرایط سازگار مجموعه داده تمیزی را ارائه می دهد که برای یادگیری ماشین مناسب است – “بهترین چیزی که می توانید دریافت کنید”. این داده ها به شبکه عصبی آموخت که الگوهای دنباله هایی را که باعث فعالیت می شوند تشخیص دهد. شبکه عصبی می تواند پیش بینی کند که توالی پیشنهاد شده توسط ژنراتور چقدر فعال خواهد بود. سپس می تواند تغییرات کوچکی ایجاد کند و دوباره فعالیت توالی های حاصله را پیش بینی کند.

تیم Pentelute سپس 12 CPP از میان صدها پیشنهاد Peptimizer ساخت. در حالی که دقت پیش بینی متفاوت بود ، چندین CPP جدید تحویل الیگونوکلئوتیدها را بیش از 20 برابر در سنجش سلولی افزایش دادند و بهترین آنها به 50 برابر رسید. محققان Sarepta همچنین CPP ها را در موش ها م ،ثر دانستند ، جایی که آنها به اولیگونوکلئوتید کمک کردند تا به قلب حیوانات برسد ، چالشی کلیدی که داروهای موجود با آن روبرو هستند.

اکنون محققان برای طراحی اشکال مختلف مولکولها فراتر از CPP های ساده مستقیم حرکت می کنند. Mohapatra می افزاید که Peptimizer برای هر پلیمر بیولوژیکی قابل استفاده است و به عنوان کد منبع باز در دسترس است.

دومینیک هایدر از دانشگاه ماربورگ ، آلمان ، این اثر را “یک مثال بسیار خوب می داند که چگونه هوش مصنوعی و یادگیری ماشینی می توانند علوم زندگی و در نهایت مراقبت از بیمار ، توسعه دارو و درمان را تغییر دهند”. او می افزاید که قابل توجه است که تیم پیش بینی های مفیدی می کند و “می تواند از روش یادگیری عمیق خود برای طراحی خودکار پپتیدها استفاده کند”.

این مطالعه همچنین یک گام کوچک به سوی شیمی “جام مقدس” در طراحی آنزیم های سفارشی است. Schissel می گوید: “این در مسیر رمزگشایی عملکرد توالی و احتمالاً عملکرد ساختار است.” اما هنوز نیاز به حجم عظیمی از داده های مرتبط برای یافتن آنزیم های کاملاً جدید وجود دارد. “