ԱԲ-ի և ՄՈւ-ի կիրառումը նոր դեղամիջոցների հայտնաբերման գործում. հիվանդությունների դեմ պայքարի նոր ուղի

Վերջին տասնամյակների ընթացքում հետազոտողները և դեղագործական ընկերությունները հսկայական ջանքեր են գործադրել, որպեսզի գտնեն նոր դեղամիջոցներ և պրեպարատներ տարբեր հիվանդությունների, այդ թվում՝ քաղցկեղի և նեյրոդեգեներատիվ հիվանդությունների դեմ պայքարելու համար: Արհեստական ​​բանականությունը (ԱԲ) և մեքենայական ուսուցումը (ՄՈւ) վերջերս սկսել են առանցքային դեր խաղալ այս փնտրտուքում։

Լինցի Յոհաննես Կեպլերի համալսարանի փորձնակ-հետազոտող Ֆիլիպ Սեյդլը NEWS.am Tech-ին տված հարցազրույցում ասում է, որ ԱԲ-ը և ՄՈւ-ը կարող են զգալիորեն արագացնել նոր մոլեկուլների հայտնաբերման գործընթացը, որոնք հետագայում նոր դեղամիջոցների հիմքը կարող են դառնալ։

Մոլեկուլային մոդելավորում

Պոտենցիալ դեղամիջոցների որոնման շրջանակում գիտնականները դիմում են մոլեկուլային մոդելավորման մեթոդներին: Դա հաշվողական մեթոդ է, որն օգտագործվում է քիմիայի ոլորտում դեղերի հայտնաբերման ժամանակ մոլեկուլների վարքագիծն ու հատկությունները մոդելավորելու համար։ Այս մեթոդը ներառում է մոլեկուլների և դրանց փոխազդեցությունների համակարգչային պատկերների ստեղծում՝ դրանց կառուցվածքը, հատկությունները և հնարավոր կենսաբանական գործունեությունը հասկանալու համար:

Գիտնականներն օգտագործում են մոլեկուլային մոդելավորում, որպեսզի կանխատեսեն, թե ինչպես կարող են մոլեկուլները փոխազդել կոնկրետ կենսաբանական թիրախների հետ: Այս մեթոդն օգտագործվում է նաև ցանկալի հատկություններով նոր մոլեկուլների ստեղծման համար, այնպիսիք, որոնք կարող են արգելակել քաղցկեղի բջիջների աճը կամ ներթափանցել արյունաուղեղային պատնեշի միջով:

Այսօր այս ոլորտի գիտնականների համար ամենահրատապ խնդիրներից մեկը վերաբերում է մոլեկուլները սիմուլյացիաներում ներկայացնելու մոտեցումներին: Այս հարցում գիտնականները դեռ ընդհանուր հայտարարի չեն եկել. ոմանք կարծում են, որ մոլեկուլները կարող են ներկայացվել գրաֆիկի տեսքով, մյուսները՝ որպես եռաչափ օբյեկտ, ընդորում՝ շարժվող:

Որակյալ տվյալներ

Նոր մոլեկուլներ որոնելու համար, որոնք կարող են հիմք դառնալ նոր դեղամիջոցների համար, անհրաժեշտ են մեծ քանակի բարձրորակ տվյալներ, որոնց հիման վրա ԱԲ-ը կսովորի։ Շատ մասնագետներ, սակայն, պնդում են, որ նման տվյալները ներկայումս բավարար չեն հատկապես կենսաբանության և քիմիայի բնագավառում։

Ինչպես նշեց Սեյդլը, գիտնականները ցանկության դեպքում կարող են գտնել իրենց անհրաժեշտ տվյալները։ Շատ կենսաբաններ աշխատում են հսկայական քանակի մոլեկուլների հետ և համացանցում կիսվում են իրենց հետազոտության արդյունքներով: Բացի դրանից, դեղագործական ընկերություններն ունեն տվյալների մեծ բազա: Ժամանակի ընթացքում բարձրորակ տվյալների հավաքածուների թիվը, որոնց վրա կհիմնվեն ՄՈւ ալգորիթմները, միայն կաճի:

Գործընթացի արագացում և դժվարություններ

Նախկինում երկար տարիներ էին պահանջվում նոր դեղամիջոցներ գտնելու և փորձարկելու համար: Այնուամենայնիվ, նոր մեթոդների կիրառմամբ, ներառյալ ՄՈւ-ը և ԱԲ-ը, այս գործընթացը, ինչպես նշեց Սեյդլը, կարող է կրճատվել առնվազն կիսով չափ:

Այսօր մասնագետներն արդեն իրականացնում են ԱԲ-ի և ՄՈւ-ի կիրառմամբ մշակված դեղամիջոցների կլինիկական փորձարկումներ: ՄՈւ մոդելները երկար ժամանակ օգտագործվում են դեղերի մշակման վաղ փուլերում մեծ թվով պոտենցիալ մոլեկուլներից արվող ընտրության շրջանակը նեղացնելու համար:

Հիմնական դժվարությունն այստեղ այն է, որ գիտնականները դեռևս լավ չեն հասկանում բազմաթիվ հիվանդությունների զարգացման մեխանիզմները, և դա դժվարացնում է մոլեկուլներ գտնելը, որոնք կարող են օգտագործվել այդ հիվանդությունների բուժման մեջ:

«Օրինակ՝ դեպրեսիայի դեպքում պե՞տք է արդյոք փնտրել սերոտոնինի ընկալիչների վրա ներազդող մոլեկուլներ: Այս մասին հիմա շատ վեճեր կան»,- նշեց մասնագետը։

ԱԲ-ի և ՄՈւ-ի օգտագործումը նոր դեղամիջոցների հայտնաբերման հարցում հսկայական առաջընթաց է գիտության մեջ: Սակայն այս ոլորտում դեռևս կան բազմաթիվ մարտահրավերներ, ներառյալ բարձրորակ տվյալների պակասը, որոնց հիման վրա ՄՈւ մոդելները կարող են ուսուցանվել, և կենսաբանական գործընթացներն ու հիվանդությունները հասկանալու դժվարությունները: Չնայած դրան, ամեն տարի ժամանակակից տեխնոլոգիաները ավելի մատչելի և արագ են դարձնում հայտնագործությունները բժշկության ոլորտում։

Ֆիլիպ Սեյդլը Երեւանում կայացած DataFest Yerevan 2023 միջոցառման խոսնակներից մեկն էր: Նրա դասախոսության թեման էր "ML for Drug Discovery" (Մեքենայական ուսուցումը դեղամիջոցների հայտնաբերման ոլորտում):