روش های مبتنی بر هوش مصنوعی جهت پیش بینی تعملات دارو-هدف

مقدمه:توسعه دارو، فرآیندی گران و وقت گیر و با نرخ موفقیت پایین است. در دهه های اخیر، نرخ تعداد داروهای جدید مورد تایید سازمان غذا و دارو در مقابل مقدار پول سرمایه گذاری شده در تحقیق و توسعه دارویی پایین بوده است، به همین دلیل توسعه دهندگان به دنبال کاربردهای جدید برای داروهای موجود یا رها شده بودند. در کنار آن، تالش هایی برای توسعهروش های پیش بینی تعاملات دارو-هدف صورت گرفته است. شناسایی تعامالت دارو-هدف یک فرآیند مهم در کشف دارو و کاربردیابی مجدد دارو است. داروها تاثیرات خاصی بر روی پروتیین ها در داخل بدن انسان دارند که به آنها اهداف می گویند. شبکه تعاملات دارو-هدف، یک گراف با دو نوع گره است که عبارتند از: دارو و هدف. در این گراف، یال نشان دهنده یک تعاملمیان دارو و هدف است. اهداف در بدن انسان به چهار کالس تقسیم می شوند که عبارتند از: آنزیم ها، کانال های یون، گیرنده های هسته ای .G PROTEIN-COUPLED RECEPTOR (GPCR) مسیله شناسایی تعاملات دارو-هدف، تشخیص یال های گمشده احتمالی براساس گره ها و یال های موجود است. تشخیص تجربی تعاملات دارو-هدف گران و وقت گیر است، همچنین تعداد تعاملات شناخته شده دارو-هدف بسیار اندک است. این موضوع سبب ایجاد انگیزه ای برای کشف و توسعه روش های موثر در پیش بینی تعاملات دارو-هدف شد. این روش ها با استفاده از یادگیری ماشین و الگوریتم مبتنی بر شبکه، تعاملات بالقوه را می یابند و به معتبرسازی روش های تجربی کمک می کنند. با توجه به گوناگونی روش های محاسباتی و ویژگی های هر کدام از آنها، محققین باید شناختی کامل از این روش ها داشته باشند و بنا به نیازهای موجود، روش خود را طراحی کنند. در همین راستا، هدف این مطالعه، ارایه مروری از پیش بینی تعاملات دارو-هدف و معرفی روش های محاسباتی گوناگون در این حوزه است. در این مطالعه، رویکردهای محاسباتی پیش بینی تعاملات دارو-هدف به چهار دسته مبتنی بر کرنل، نیمه نظارتی، مبتنی بر انتخاب ویژگی و مبتنی بر شبکه تقسیم شده است روش بررسی: مقاله حاضر یک مقاله مروری است. بدین منظور مقالات موجود در مجلاتی مانند Bioinformatics ،in Briefi Current Pharmaceutical Design و BMC Bioinformatics ،PLoS ONE ،Bioinformatics .مورد بررسی قرار گرفتند. کلمات کلیدی به صورت ترکیبی از این دو دسته کلی مورد جست وجو قرار گرفتند: اول g machine /computational / DTI prediction /drug-target interaction prediction /drug discovery دوم ؛in silico یافته ها در این مطالعه از 30 مقاله در حوزه پیش بینی تعاملات دارو-هدف استفاده می شود. از مقاله های مروری این حوزه نیز کمک گرفته شد. رویکردها به چهار دسته تقسیم شدند که عبارتند از مبتنی بر کرنل، نیمه نظارتی، مبتنی بر انتخاب ویژگی و مبتنی بر شبکه. همچنین، چالش های هر کدام آورده شده است. در جدول 1 در پیوست دسته بندی رویکردها و چالش های آنهامشاهده می شود. نتیجه گیری: در این مطالعه سعی شد با توجه به گوناگونی روش های مطرح، یک دسته بندی ارایه شود. این موضوع به محققین کمک میکند تا براساس چالش ها و ویژگی های هر کدام، روش خود را انتخاب کنند. رویکردهای مبتنی بر کرنل به علت تشکیل ماتریس های کرنل، پیچیدگی محاسباتی بالایی دارند. در عین حال رویکردهای نیمه نظارتی معرفی شد زیرا رویکردهای مبتنی بر شباهت توانایی تشخیص مجموعه های تایید شده منفی از تعاملات ناشناخته را ندارند. رویکرد مبتنی بر شبکه توانایی پیش بینی تعاملات جدید برای جفت دارو-هدفی که تعاملات شناخته شده ندارند، زیرا این گره ها در شبکه، یالی به باقی گره ها ندارند. در عین حال، رویکرد مبتنی بر انتخاب ویژگی با چالش انتخاب ویژگی مناسب روبه رو است.

کلیدواژه ها:

کشف دارو ، پیش بینی تعاملات دارو-هدف ، یادگیری ماشین ، روش های محاسباتی