طراحی و کشف پپتیدهای ضدمیکروبی با استفاده از مدلهای زبانی بزرگ و یادگیری عمیق

مقاومت آنتیبیوتیکی (AMR) به یکی از جدیترین بحران های سلامت عمومی قرن بیست و یکم تبدیل شده است و پیش بینی می شود تا سال ۲۰۵۰ سالانه عامل مرگ ۱۰ میلیون نفر در سراسر جهان باشد. پپتیدهای ضدمیکروبی (AMPs) به دلیل مکانیسم های اثر منحصر به فرد و پتانسیل پایین برای ایجاد مقاومت، به عنوان گزینه هایی امیدوارکننده برای جایگزینی آنتیبیوتیک های سنتی مطرح شده اند. با این حال، فرآیند سنتی کشف AMPها از طریق روش های آزمایشگاهی، پرهزینه و زمان بر است. هوش مصنوعی (AI) و به ویژه یادگیری عمیق با ارائه روش هایی نوین مانند مدل های زبانی بزرگ (LLMs) و شبکه های عصبی گرافی (GNNs)، انقلابی در این حوزه ایجاد کرده و امکان غربالگری و طراحی پپتیدهای جدید را با سرعتی بی سابقه فراهم آورده اند. این مقاله مروری به بررسی پیشرفت های اخیر در کاربرد روش های مبتنی بر هوش مصنوعی برای کشف و طراحی AMPها می پردازد. ابتدا، چالش های روش های سنتی و اهمیت AMPها بررسی می شود. سپس، معماری های مختلف یادگیری ماشین از جمله مدل های کلاسیک، شبکه های عصبی کانولوشنی، شبکه های بازگشتی و نسل جدید مدل های مبتنی بر ترنسفورمر معرفی شده و نقش هر کدام در پیش بینی فعالیت ضدمیکروبی، بهینه سازی توالی و طراحی de novo تشریح می گردد. در نهایت، چالش های پیش رو از جمله کیفیت داده ها، تفسیرپذیری مدل ها و موانع انتقال به بالین مورد بحث قرار گرفته و چشم انداز آینده این حوزه ترسیم می شود.

کلیدواژه ها:

پپتیدهای ضدمیکروبی ، مقاومت آنتیبیوتیکی ، هوش مصنوعی ، یادگیری عمیق ، مدل های زبانی بزرگ ، کشف دارو