هوش مصنوعی مولد در کشف دارو: شتاب دهی به طراحی و اعتبارسنجی مولکولی

هدف این مطالعه بررسی نقش مدل های هوش مصنوعی مولد در افزایش سرعت، کارایی و دقت فرآیند کشف دارو از طریق طراحی خودکار مولکول ها و اعتبارسنجی پیش بینانه آن ها است. در این مطالعه، کاربردهای اخیر مدل های هوش مصنوعی مولد مانند «واریاشنال اتوانکودرها، شبکه های مولد تخاصمی» مدل های انتشار و «مدل های زبانی بزرگ» در حوزه شیمی در تولید و بهینه سازی مولکول ها مرور و تحلیل می شود. این مدل ها با استفاده از پایگاه های داده گسترده شیمیایی و زیستی آموزش می بینند تا ترکیبات جدیدی با خواص فیزیکوشیمیایی و فارماکولوژیک مطلوب تولید کنند. عملکرد آن ها با استفاده از روش های اعتبارسنجی محاسباتی، از جمله داکینگ مولکولی، مدل سازی روابط کمی ساختار–فعالیت و پیش بینی درون کامپیوتری سمیت ارزیابی می گردد. نتایج نشان می دهد که هوش مصنوعی مولد در مقایسه با روش های سنتی غربالگری پرتوان، به طور معنی داری فرآیند شناسایی هیت ها و بهینه سازی لیدها را تسریع می کند. این مدل ها دقت بالاتری در پیش بینی داروشکلی، میل اتصال و پروفایل سمیت از خود نشان می دهند. علاوه بر این، رویکردهای مبتنی بر هوش مصنوعی با کاهش فضای جست وجوی ترکیبات شیمیایی، احتمال شناسایی نامزدهای دارویی قابل قبول را در مراحل اولیه توسعه افزایش می دهند. درنتیجه هوش مصنوعی مولد یک پارادایم تحول آفرین در کشف دارو به شمار می آید که طراحی مولکولی را از یک فرآیند تجربی و مبتنی بر آزمون و خطا به یک چارچوب داده محور و پیش بینانه منتقل می کند. ادغام این مدل ها با ابزارهای زیست شناسی محاسباتی و کمی سازی شیمیایی، زمان توسعه دارو را به طور چشمگیری کاهش داده و دقت را افزایش می دهد. انتظار می رود پیشرفت های آینده در تفسیرپذیری مدل ها، کیفیت داده ها و اعتبارسنجی آزمایشگاهی، قابلیت اعتماد و تاثیر عملی توسعه داروهای مبتنی بر هوش مصنوعی را بیش از پیش تقویت کند.

کلیدواژه ها:

هوش مصنوعی مولد ، کشف دارو ، طراحی مولکولی ، یادگیری عمیق ، شیمی محاسباتی ، اعتبارسنجی درون کامپیوتری ، بهینه سازی لید