توسط محققان انجام شد
به گزارش گروه فناوری خبرگزاری دانشجو، با وارد شدن دارو به بدن، ممکن است دارو تحت تاثیر بدن قرار گرفته و اثربخشی آن کاهش یابد. برای رفع این مشکل طراحان دارو به دنبال یافتن بهترین ترکیبات دارویی هستند. محققان موسسه فناوری ماساچوست از یادگیری ماشینی برای رفع این مشکل استفاده کردند.
تحقیقات نشان داده است که برخی از ترکیبات دارو‌های ضدسرطان با رنگ کوچک ترکیب شده و به صورت نانوذرات خودآرایی می‌دهند که این نانوذرات ظرفیت حمل بالایی دارند. اما پیش‌بینی اینکه کدام مولکول کوچک از میان میلیون‌ها جفت احتمالی، نانوذرات مناسب را تشکیل دهند، دشوار است. محققان MIT پلتفرم غربالگری جدیدی ارائه کرده‌اند که ترکیبی از یادگیری ماشین با آزمایش توان بالا برای شناسایی سریع نانوذرات خودآرا است.
به منظور توسعه یک الگوریتم یادگیری ماشین که قادر به شناسایی نانوذرات خودآرا باشد، محققان ابتدا نیاز به ایجاد مجموعه داده‌ای داشتند که الگوریتم بتواند روی آن آموزش ببیند. آن‌ها ۱۶ داروی کوچک خودآرا با مولکول‌های کوچک با انواع ساختار‌های شیمیایی و کاربرد‌های درمانی و مجموعه متنوعی از ۹۰ ترکیبات گسترده در دسترس را انتخاب کردند، از جمله موادی که قبلاً به دارو‌ها اضافه شده‌اند تا طعم آن‌ها بهتر شود، ماندگاری بیشتری داشته باشند یا باعث بیشتر شدن پایداری آن‌ها شود.
پژوهشگران این پروژه ۲٫۱ میلیون جفت مولکول کوچک و مواد دارویی غیرفعال را غربال کردند و ۱۰۰ نانوذره جدید را با کاربرد‌های بالقوه که شامل درمان سرطان، آسم، مالاریا و عفونت‌های ویروسی و قارچی است، شناسایی کردند.
محققان پس از بررسی انواع ترکیبات و جفت ذرات در نهایت شش نانوذره را برای تحقیقات بیشتر انتخاب کردند، از جمله سورافنیب، ماده‌ای که معمولاً برای سرطان کبد و سایر سرطان‌ها استفاده می‌شود؛ گلیسیریزین، ترکیبی که به‌عنوان افزودنی غذایی و دارویی اغلب استفاده می‌شود و به‌عنوان طعم‌دهنده شیرین‌بیان شناخته می‌شود. اگرچه سورافنیب استاندارد مراقبت از سرطان کبد پیشرفته است، اما تأثیر آن محدود است.
جیووانی تراورسو، محقق حوزه مهندسی مکانیک می‌گوید: «ما قبلاً برخی از تأثیرات منفی و مثبتی را که مواد غیرفعال می‌توانند بر دارو‌ها داشته باشند، شرح داده‌ایم و در این پروژه جدید رویکردی ارائه کردیم که بر تأثیرات مثبت بالقوه‌ای که می‌توانند روی فرمولاسیون نانو داشته باشند، متمرکز است.»
یافته‌های آن‌ها به استراتژی اشاره دارد که هم مشکل پیچیدگی تولید نانوذرات و هم مشکل بارگیری مقدار زیادی دارو درون نانوذرات را حل می‌کند.
دانیل رکر، نویسنده اصلی این مطالعه درآزمایشگاه رابرت لانگر، می‌گوید: «بنابراین بسیاری از دارو‌ها به دلیل عدم هدف‌گیری کافی، فراهمی زیستی کم یا متابولیسم سریع دارو، توانایی بالقوه درمانی بالایی ندارند. با استفاده از نتایج این پروژه در رابطه با علم داده، یادگیری ماشین و تحویل دارو، امید ما این است که به سرعت مجموعه ابزار‌های خود را برای اطمینان از رسیدن دارو به مکان مورد نیاز گسترش دهیم و در واقع بتوانیم دارو‌هایی با اثربخشی بالاتر تولید کنیم.»
ارسال نظرات