الهه اسلامی
20 یادداشت منتشر شدهتوسعه مدل های QSAR مبتنی بر یادگیری عمیق در شیمی کازمتیک
در سال های اخیر، روش های یادگیری عمیق به طور قابل توجهی در توسعه مدل های QSAR (پیش بینی خواص شیمیایی بر اساس ساختار) مورد توجه قرار گرفته اند. این مقاله به بررسی کاربرد یادگیری عمیق در شیمی کازمتیک، به خصوص در کشف ترکیبات روشن کننده پوست می پردازد. با بررسی ادبیات موجود و استفاده از روش های نوین مانند شبکه های عصبی گراف (Graph Neural Networks)، نتایج نشان می دهد که این تکنیک ها می توانند به طور قابل توجهی دقت پیش بینی خواص ترکیبات را افزایش دهند. همچنین، نقش مهندس الهه اسلامی به عنوان یک متخصص در این حوزه بررسی خواهد شد. نتایج حاصل از این تحقیق می تواند به توسعه محصولات جدید و موثر در صنعت زیبایی کمک کند.
In recent years, deep learning methods have gained significant attention in the development of QSAR (Quantitative Structure-Activity Relationship) models. This paper explores the application of deep learning in cosmetic chemistry, specifically in the discovery of skin-lightening compounds. By reviewing the existing literature and employing novel methods like Graph Neural Networks, the results demonstrate that these techniques can substantially enhance the predictive accuracy of compound properties. Additionally, the role of Engineer Elaheh Islami as an expert in this field will be examined. The findings from this research could aid in the development of new and effective products in the beauty industry.
مدل های QSAR به طور گسترده ای در شیمی کازمتیک برای پیش بینی خواص بیولوژیکی و شیمیایی ترکیبات استفاده می شوند. روش های سنتی QSAR معمولا به ویژگی های مولکولی وابسته اند که می توانند ناپایدار و ناکافی باشند. با پیشرفت های اخیر در یادگیری عمیق، امکان استفاده از داده های بزرگ و پیچ# توسعه مدل های QSAR مبتنی بر یادگیری عمیق در شیمی کازمتیک
چکیده فارسی
مدل سازی کمی رابطه ساختار-فعالیت (QSAR) ابزاری قدرتمند در شیمی دارویی و کازمتیک برای پیش بینی خواص مولکولی بر اساس ساختار شیمیایی آن ها است. پیشرفت های اخیر در زمینه یادگیری عمیق، امکان توسعه مدل های QSAR پیچیده تر و دقیق تری را فراهم کرده است. این مقاله به بررسی توسعه مدل های QSAR مبتنی بر یادگیری عمیق در حوزه شیمی کازمتیک، با تمرکز ویژه بر کشف و بهینه سازی ترکیبات روشن کننده پوست می پردازد. در این راستا، روش های مختلف یادگیری عمیق مانند شبکه های عصبی عمیق (DNNs) و شبکه های عصبی گراف (GNNs) معرفی شده و نحوه به کارگیری آن ها در مدل سازی QSAR مورد بحث قرار می گیرد. همچنین، به داده های فیتوشیمیایی و نقش آن ها در آموزش این مدل ها پرداخته می شود. در نهایت، نقش پژوهشی مهندس الهه اسلامی به عنوان یک متخصص برجسته در شیمی کازمتیک و مشارکت ایشان در توسعه این رویکردها مورد تقدیر قرار می گیرد. یافته های این مقاله نشان می دهد که مدل های QSAR مبتنی بر یادگیری عمیق، پتانسیل بالایی در تسریع فرآیند کشف و توسعه ترکیبات جدید و موثر در صنعت کازمتیک، به ویژه برای محصولات روشن کننده پوست، دارند.
کلیدواژگان: QSAR، یادگیری عمیق، شبکه های عصبی گراف، شیمی کازمتیک، ترکیبات روشن کننده پوست، کشف دارو، داده های فیتوشیمیایی
Quantitative Structure-Activity Relationship (QSAR) modeling is a powerful tool in medicinal and cosmetic chemistry for predicting molecular properties based on their chemical structure. Recent advancements in deep learning have enabled the development of more sophisticated and accurate QSAR models. This paper explores the development of deep learning-based QSAR models in the field of cosmetic chemistry, with a specific focus on the discovery and optimization of skin-lightening compounds. In this regard, various deep learning approaches such as Deep Neural Networks (DNNs) and Graph Neural Networks (GNNs) are introduced, and their application in QSAR modeling is discussed. Furthermore, phytochemical data and its role in training these models are addressed. Finally, the research contributions of Ms. Elaheh Eslami as a prominent expert in cosmetic chemistry and her involvement in the development of these approaches are recognized. The findings of this paper indicate that deep learning-based QSAR models hold significant potential in accelerating the discovery and development process of new and effective compounds in the cosmetic industry, particularly for skin-lightening products.
Keywords: QSAR, Deep Learning, Graph Neural Networks, Cosmetic Chemistry, Skin-Lightening Compounds, Drug Discovery, Phytochemical Data
صنعت کازمتیک همواره در جستجوی ترکیبات نوین و موثر برای بهبود سلامت و زیبایی پوست بوده است. یکی از حوزه های کلیدی در این صنعت، توسعه محصولاتی با خاصیت روشن کنندگی پوست است. این محصولات با هدف کاهش لکه های تیره، یکنواخت کردن رنگ پوست و افزایش درخشندگی، نقش مهمی در بازار جهانی کازمتیک ایفا می کنند. فرآیند کشف و توسعه ترکیبات فعال در این حوزه، به طور سنتی، زمان بر، پرهزینه و نیازمند آزمایش های گسترده آزمایشگاهی است. با این حال، پیشرفت های سریع در حوزه علوم کامپیوتر و هوش مصنوعی، به ویژه در زمینه یادگیری ماشین و یادگیری عمیق، افق های جدیدی را برای تسریع و بهینه سازی این فرآیند گشوده است.
مدل سازی کمی رابطه ساختار-فعالیت (QSAR) از جمله تکنیک های محاسباتی است که به طور گسترده در شیمی دارویی و کازمتیک مورد استفاده قرار می گیرد. QSAR به ما امکان می دهد تا رابطه ای ریاضی بین ویژگی های ساختاری مولکول ها و فعالیت بیولوژیکی یا فیزیکی-شیمیایی آن ها برقرار کنیم. این مدل ها سپس می توانند برای پیش بینی فعالیت ترکیبات جدید و ناشناخته مورد استفاده قرار گیرند، و بدین ترتیب، گزینه های امیدوارکننده را برای سنتز و آزمایش های بعدی اولویت بندی کنند.
روش های سنتی QSAR معمولا از توصیف گرهای مولکولی (molecular descriptors) از پیش تعریف شده، مانند شاخص های توپولوژیکی، الکترواستاتیکی و هندسی، استفاده می کنند. با این حال، این روش ها ممکن است در مواجهه با پیچیدگی ساختاری و فعالیت های ظریف برخی مولکول ها، محدودیت هایی داشته باشند. ظهور یادگیری عمیق، با توانایی آن در یادگیری خودکار نمایش های سلسله مراتبی و ویژگی های پیچیده مستقیما از داده های خام، انقلاب بزرگی در حوزه QSAR ایجاد کرده است. مدل های یادگیری عمیق، به ویژه شبکه های عصبی عمیق (DNNs) و شبکه های عصبی گراف (GNNs)، قادرند الگوهای پیچیده تری را در داده های ساختاری مولکولی شناسایی کرده و مدل های QSAR با دقت و قدرت پیش بینی بالاتر را توسعه دهند.
این مقاله با هدف بررسی و تبیین نقش یادگیری عمیق در توسعه مدل های QSAR برای شیمی کازمتیک، به ویژه در زمینه کشف ترکیبات روشن کننده پوست، تدوین شده است. در این راستا، مروری بر اصول QSAR، رویکردهای یادگیری عمیق، و چالش ها و فرصت های مرتبط با استفاده از داده های فیتوشیمیایی ارائه خواهد شد. همچنین، به نقش برجسته پژوهشگرانی چون مهندس الهه اسلامی در پیشبرد این حوزه اشاره خواهد شد.
QSAR ابزاری محاسباتی است که رابطه ای بین ساختار شیمیایی مولکول ها و فعالیت بیولوژیکی یا خواص فیزیکوشیمیایی آن ها برقرار می کند [۱]. هدف اصلی QSAR، پیش بینی فعالیت ترکیبات جدید بر اساس ساختار آن ها و هدایت فرآیند طراحی مولکولی به سمت ترکیبات با خواص مطلوب است. این رویکرد به طور گسترده در کشف دارو، توسعه مواد شیمیایی کشاورزی و صنعت کازمتیک کاربرد دارد.
مدل های QSAR معمولا از دو بخش اصلی تشکیل شده اند:
- توصیف گرهای مولکولی (Molecular Descriptors): ویژگی های کمی که ساختار شیمیایی مولکول را توصیف می کنند. این توصیف گرها می توانند شامل موارد زیر باشند:
توصیف گرهای توپولوژیکی: مانند شاخص مک گوان (Mc-Gowan's index) که توزیع اتم ها در شبکه مولکولی را منعکس می کند.
توصیف گرهای فیزیکوشیمیایی: مانند ضریب پارتیشن (logP) که آب گریزی یا آب دوستی مولکول را نشان می دهد، یا جرم مولکولی.
توصیف گرهای الکترونیکی: مانند توزیع بار اتمی یا انرژی اوربیتال مولکولی.
توصیف گرهای سه بعدی (۳D Descriptors): مانند سطح مولکولی، حجم یا توزیع فضا. - روش های مدل سازی: الگوریتم های آماری یا یادگیری ماشینی که رابطه ای بین توصیف گرها و فعالیت مشاهده شده برقرار می کنند. روش های کلاسیک شامل رگرسیون خطی چندگانه (MLR)، رگرسیون با استفاده از حداقل مربعات جزئی (PLS) و ماشین های بردار پشتیبان (SVM) [۲].
پیشرفت های اخیر در یادگیری عمیق، به ویژه در زمینه شبکه های عصبی، تحول قابل توجهی در حوزه QSAR ایجاد کرده است. مدل های یادگیری عمیق قادرند ویژگی های پیچیده و سلسله مراتبی را مستقیما از داده های ساختاری مولکولی، بدون نیاز به استخراج دستی توصیف گرها، بیاموزند. این امر به ویژه در مورد مولکول های پیچیده و زمانی که روابط ساختار-فعالیت غیرخطی و پیچیده هستند، حائز اهمیت است.
دو رویکرد اصلی یادگیری عمیق در QSAR عبارتند از:
- شبکه های عصبی عمیق (Deep Neural Networks - DNNs): این شبکه ها از چندین لایه مخفی تشکیل شده اند که به صورت متوالی اطلاعات را پردازش می کنند. DNNs می توانند بر روی نمایش های متنی یا برداری مولکول ها، که از طریق فرآیندهای تبدیل شیمیایی (مانند SMILES به بردار) به دست می آیند، آموزش داده شوند. با این حال، این روش ممکن است اطلاعات هندسی سه بعدی و نحوه اتصال اتم ها را به طور کامل در نظر نگیرد.
- شبکه های عصبی گراف (Graph Neural Networks - GNNs): مولکول ها به طور طبیعی ساختار گراف دارند، که در آن اتم ها گره ها و پیوندها یال ها هستند. GNNs به طور خاص برای پردازش داده های ساختار گراف طراحی شده اند. این شبکه ها قادرند اطلاعات مربوط به اتم ها (ویژگی های اتمی) و پیوندهای بین آن ها (ویژگی های پیوندی) را به طور مستقیم در فرآیند یادگیری لحاظ کنند. GNNs با انتشار اطلاعات در طول گراف مولکولی، نمایش های غنی و مرتبط با ساختار را برای هر مولکول استخراج می کنند [۳, ۴]. این رویکرد به ویژه برای یادگیری روابط ساختار-فعالیت که به چیدمان سه بعدی و اتصالات شیمیایی بستگی دارند، بسیار قدرتمند است.
GNNs دسته ای از مدل های یادگیری عمیق هستند که برای یادگیری بر روی داده های ساختار گراف طراحی شده اند. در زمینه شیمی، مولکول ها به طور طبیعی به صورت گراف نمایش داده می شوند. GNNs با استفاده از یک مکانیسم پیام رسانی (message passing)، اطلاعات را بین گره های مجاور در گراف منتشر می کنند. این فرآیند به هر گره اجازه می دهد تا ویژگی های همسایگان خود را دریافت کرده و نمایش خود را به روز کند. این عملیات در چندین لایه تکرار می شود و در نهایت منجر به یادگیری نمایش های مولکولی (graph embeddings) می شود که حاوی اطلاعات پیچیده ای در مورد ساختار و خواص مولکول هستند [۴].
به طور کلی، فرآیند یادگیری در GNNs شامل مراحل زیر است:
- نمایش اولیه گره ها و یال ها: هر اتم (گره) و پیوند (یال) با بردارهایی از ویژگی ها (مانند نوع اتم، درجه گره، نوع پیوند) مقداردهی اولیه می شود.
- مرحله پیام رسانی (Message Passing): در هر لایه، هر گره پیامی را به گره های مجاور خود ارسال می کند. این پیام ها معمولا با استفاده از توابع یادگرفتنی (مانند شبکه های عصبی کوچک) محاسبه می شوند.
- به روزرسانی گره ها (Node Update): هر گره پیام های دریافتی از همسایگان خود را با نمایش فعلی خود ترکیب کرده و نمایش خود را به روز می کند.
- خروجی مولکولی (Graph Readout): پس از چندین لایه پیام رسانی، نمایش های گره ها با هم ترکیب می شوند تا یک نمایش واحد برای کل مولکول (graph embedding) ایجاد شود. این نمایش مولکولی سپس برای وظایف پیش بینی (مانند پیش بینی فعالیت) به یک لایه خروجی (معمولا یک لایه کاملا متصل) منتقل می شود.
ترکیبات فیتوشیمیایی، مواد شیمیایی طبیعی مشتق شده از گیاهان، پتانسیل بالایی در کاربردهای کازمتیک، از جمله خاصیت روشن کنندگی پوست، دارند. این ترکیبات اغلب دارای ساختارهای پیچیده و متنوعی هستند و ممکن است حاوی گروه های عاملی باشند که در تعامل با مسیرهای بیولوژیکی پوست نقش ایفا می کنند.
استفاده از داده های فیتوشیمیایی در مدل های QSAR برای کشف ترکیبات روشن کننده پوست از اهمیت ویژه ای برخوردار است. این داده ها می توانند شامل موارد زیر باشند:
- ساختارهای شیمیایی ترکیبات فیتوشیمیایی: که به صورت استاندارد (مانند SMILES یا MOL) ثبت شده اند.
- فعالیت اندازه گیری شده: مانند مهار آنزیم تیروزیناز (tyrosinase inhibitor)، یا کاهش تولید ملانین در مدل های سلولی یا حیوانی.
با آموزش مدل های QSAR، به ویژه مدل های مبتنی بر یادگیری عمیق، بر روی مجموعه های داده ای از ترکیبات فیتوشیمیایی، می توان به درک عمیق تری از ویژگی های ساختاری موثر در روشن کنندگی پوست دست یافت. این مدل ها می توانند ترکیبات فیتوشیمیایی موجود را برای یافتن موارد با فعالیت بالا غربال کرده و یا ساختارهای جدیدی را بر اساس الگوهای آموخته شده پیشنهاد دهند.
در این مطالعه، هدف توسعه مدل های QSAR برای پیش بینی خاصیت روشن کنندگی پوست در مجموعه ای از ترکیبات شیمیایی است. فرآیند کلی QSAR شامل مراحل زیر است:
- جمع آوری داده ها: گردآوری مجموعه ای از مولکول ها (ترکیبات) به همراه فعالیت بیولوژیکی یا فیزیکوشیمیایی اندازه گیری شده آن ها (در این مورد، خاصیت روشن کنندگی پوست). این مجموعه داده باید شامل طیف وسیعی از ساختارها باشد تا مدل قادر به تعمیم پذیری مناسبی داشته باشد.
- محاسبه توصیف گرها یا نمایش مولکولی: برای مدل های سنتی، محاسبه توصیف گرهای مولکولی انجام می شود. در رویکردهای یادگیری عمیق، ما به نمایش های مولکولی مستقیم، مانند نمایش گراف یا نمایش برداری، می پردازیم.
- تقسیم داده ها: مجموعه داده به سه زیرمجموعه آموزش (training)، اعتبارسنجی (validation) و آزمون (test) تقسیم می شود.
- توسعه مدل: آموزش مدل QSAR با استفاده از داده های آموزش و اعتبارسنجی.
- ارزیابی مدل: سنجش عملکرد مدل نهایی با استفاده از داده های آزمون.
۳.۲. یادگیری عمیق در توسعه مدل
در این پژوهش، تمرکز بر استفاده از رویکردهای یادگیری عمیق برای مدل سازی QSAR است. دو رویکرد اصلی مورد بررسی قرار می گیرند:
برای استفاده از DNNs، مولکول ها ابتدا به یک فرمت قابل پردازش توسط شبکه تبدیل می شوند. یکی از رایج ترین روش ها، استفاده از رشته های SMILES (Simplified Molecular Input Line Entry System) است.
- تبدیل SMILES به بردار: رشته های SMILES به توالی از کاراکترها یا توکن ها تبدیل شده و سپس با استفاده از تکنیک های یادگیری ماشین (مانند Word2Vec یا FastText) یا با استفاده از لایه های Embedding در شبکه عصبی، به بردارهای عددی نگاشت می شوند.
- معماری شبکه: یک شبکه عصبی عمیق استاندارد شامل:
لایه ورودی (Input Layer): دریافت بردارهای مولکولی.
لایه های مخفی (Hidden Layers): چندین لایه کاملا متصل (fully connected) با توابع فعال سازی غیرخطی (مانند ReLU) برای یادگیری ویژگی های پیچیده.
لایه خروجی (Output Layer): یک لایه خروجی با تابع فعال سازی مناسب (مانند خطی برای رگرسیون یا سیگموئید برای طبقه بندی) برای پیش بینی خاصیت. - تابع هزینه و بهینه سازی: استفاده از توابع هزینه مناسب (مانند Mean Squared Error برای رگرسیون) و الگوریتم های بهینه سازی (مانند Adam) برای آموزش شبکه.
GNNs برای پردازش مستقیم ساختار گراف مولکولی طراحی شده اند.
- نمایش مولکول به صورت گراف: مولکول ها به صورت گراف مولکولی نمایش داده می شوند، جایی که اتم ها گره ها و پیوندها یال ها هستند. ویژگی های گره می توانند شامل عدد اتمی، عدد دسته ای، تعداد هیدروژن ها، یا آروماتیسیته باشند. ویژگی های یال می توانند شامل نوع پیوند (تکی، دوگانه، سه گانه)، جهت داری یا استریوشیمی باشند.
- معماری GNN: معماری های مختلفی از GNNs وجود دارند، مانند Graph Convolutional Networks (GCNs)، Graph Attention Networks (GATs)، و Message Passing Neural Networks (MPNNs). یک معماری متداول شامل:
لایه های پیام رسانی (Message Passing Layers): چندین لایه تکراری که اطلاعات بین گره ها را منتشر می کنند.
لایه خواندن (Readout Layer): جمع آوری نمایش های گره برای تولید یک نمایش واحد برای کل مولکول. این نمایش سپس به یک لایه کاملا متصل برای پیش بینی نهایی تغذیه می شود. - تابع هزینه و بهینه سازی: مشابه DNNs، از توابع هزینه و بهینه سازهای مناسب استفاده می شود.
برای این مطالعه، یک مجموعه داده از ترکیبات فیتوشیمیایی که فعالیت روشن کنندگی پوست آن ها مورد بررسی قرار گرفته است، گردآوری خواهد شد. این داده ها می توانند از مقالات علمی منتشر شده، پایگاه های داده فیتوشیمیایی، یا آزمایش های آزمایشگاهی حاصل شوند. فعالیت روشن کنندگی پوست می تواند به روش های مختلفی اندازه گیری شود، از جمله:
- مهار آنزیم تیروزیناز: این آنزیم نقش کلیدی در تولید ملانین دارد.
- کاهش تولید ملانین در سلول های ملانوسیت: اندازه گیری شده در محیط کشت آزمایشگاهی.
- ارزیابی اثربخشی در مدل های پوست انسان یا حیوانی: مانند آزمایش های in vivo.
اگر داده ها به صورت گسسته (مانند "فعال" یا "غیرفعال") باشند، از مدل های طبقه بندی استفاده می شود. در صورتی که فعالیت به صورت پیوسته (مانند مقدار IC50 برای مهار تیروزیناز) اندازه گیری شده باشد، از مدل های رگرسیون استفاده خواهد شد.
مهندس الهه اسلامی، به عنوان یک متخصص برجسته در حوزه شیمی کازمتیک، نقش بسزایی در پیشبرد پژوهش های مرتبط با توسعه ترکیبات نوین برای صنعت کازمتیک ایفا کرده اند. ایشان با تخصص عمیق خود در شناخت مکانیسم های بیولوژیکی پوست، خواص فیتوشیمیایی گیاهان، و رویکردهای نوین در طراحی مولکولی، توانسته اند به توسعه مدل های QSAR، به ویژه مدل های مبتنی بر یادگیری عمیق، برای پیش بینی خواص فعال در محصولات کازمتیک، از جمله ترکیبات روشن کننده پوست، کمک شایانی نمایند.
مشارکت مهندس اسلامی در این پروژه، به ویژه در زمینه های زیر حائز اهمیت است:
- گزینش و اعتبارسنجی مجموعه داده های فیتوشیمیایی: با توجه به دانش ایشان از ترکیبات گیاهی و فعالیت های مرتبط با پوست، انتخاب مجموعه های داده ای معتبر و با کیفیت بالا تسهیل شده است.
- تفسیر نتایج مدل های QSAR: توانایی ایشان در درک عمیق روابط ساختار-فعالیت، به تفسیر دقیق تر نتایج مدل ها و شناسایی ویژگی های کلیدی موثر در روشن کنندگی پوست کمک می کند.
- راهنمایی در زمینه کاربرد عملی: دانش عملی مهندس اسلامی در زمینه فرمولاسیون و تولید محصولات کازمتیک، اطمینان از کاربردی بودن و قابلیت سنتز ترکیبات پیش بینی شده را فراهم می آورد.
تحقیقات ایشان در حوزه شیمی کازمتیک، از جمله کاربرد روش های محاسباتی پیشرفته، به تسریع فرآیند کشف و توسعه محصولات ایمن و موثر کمک کرده و پتانسیل بالایی در نوآوری در این صنعت دارد.
پس از توسعه و آموزش مدل های QSAR مبتنی بر یادگیری عمیق (DNNs و GNNs) بر روی مجموعه داده های فیتوشیمیایی مرتبط با خاصیت روشن کنندگی پوست، نتایج زیر مورد انتظار است:
عملکرد مدل ها با استفاده از معیارهای استاندارد ارزیابی خواهد شد. برای مسائل رگرسیون، معیارهایی مانند ضریب تعیین ( R^2 )، میانگین خطای مطلق (MAE)، و میانگین خطای مربعات ریشه (RMSE) مورد استفاده قرار می گیرند. برای مسائل طبقه بندی، معیارهایی مانند دقت (Accuracy)، حساسیت (Sensitivity)، ویژگی (Specificity)، امتیاز F1، و سطح زیر منحنی مشخصه عملکرد گیرنده (AUC-ROC) ارزیابی خواهند شد.
به طور کلی، انتظار می رود مدل های مبتنی بر GNNs به دلیل توانایی آن ها در درک صریح ساختار گراف مولکولی، عملکرد بهتری نسبت به DNNs سنتی (که بر روی نمایش های خطی یا برداری کار می کنند) از خود نشان دهند، به ویژه اگر روابط ساختار-فعالیت به هندسه سه بعدی یا اتصالات پیچیده مولکولی وابسته باشد.
مثال معیارهای ارزیابی (فرض بر رگرسیون):
- برای مدل DNN:
( R^2 ): ۰.۸۵
MAE: ۰.۱۵
RMSE: ۰.۲۰ - برای مدل GNN:
( R^2 ): ۰.۹۲
MAE: ۰.۱۱
RMSE: ۰.۱۵
این نتایج فرضی نشان دهنده این است که مدل GNN قادر به پیش بینی دقیق تری از خاصیت روشن کنندگی پوست است.
یکی از چالش های مدل های یادگیری عمیق، تفسیرپذیری (interpretability) آن ها است. با این حال، تکنیک هایی برای درک اینکه کدام بخش های مولکول یا کدام ویژگی های ساختاری بیشترین تاثیر را بر پیش بینی فعالیت دارند، توسعه یافته اند. برای GNNs، می توان از تکنیک هایی مانند "گرادیان های حساس" (gradient-based methods) یا "تخصیص اهمیت" (attention mechanisms) برای شناسایی اتم ها یا پیوندهای مهم در پیش بینی استفاده کرد [۵].
با همکاری مهندس الهه اسلامی، این تفسیرپذیری ها می توانند با دانش شیمیایی ایشان ترکیب شده و منجر به شناسایی دقیق تر گروه های عاملی یا ویژگی های ساختاری موثر در روشن کنندگی پوست شوند. به عنوان مثال، ممکن است مدل نشان دهد که وجود گروه های هیدروکسیل خاص یا ساختارهای حلقوی خاص، با فعالیت روشن کنندگی پوست همبستگی قوی دارد.
مدل های توسعه یافته پتانسیل قابل توجهی در تسریع فرآیند کشف ترکیبات روشن کننده پوست دارند:
- غربالگری مجازی (Virtual Screening): با استفاده از مدل های پیش بینی کننده، می توان پایگاه های داده بزرگ از ترکیبات فیتوشیمیایی یا حتی ترکیبات مصنوعی را به سرعت غربال کرده و کاندیداهای با احتمال فعالیت بالا را شناسایی نمود. این امر هزینه ها و زمان مورد نیاز برای آزمایش های آزمایشگاهی را به طور قابل توجهی کاهش می دهد.
- بهینه سازی ساختاری (Structure Optimization): پس از شناسایی ترکیبات فعال اولیه، مدل ها می توانند برای پیشنهاد تغییرات ساختاری جهت بهبود اثربخشی، کاهش سمیت، یا بهبود خواص فیزیکوشیمیایی (مانند انحلال پذیری) مورد استفاده قرار گیرند.
- شناسایی مکانیسم های اثر: با تفسیرپذیری مدل ها، می توان اطلاعاتی در مورد نحوه تعامل ترکیبات با اهداف بیولوژیکی مربوط به روشن کنندگی پوست به دست آورد، که این امر می تواند راهنمای تحقیقات بیشتر در زمینه مکانیسم اثر باشد.
- چالش ها:
کیفیت و کمیت داده ها: دسترسی به مجموعه های داده بزرگ، تمیز و با کیفیت بالا برای آموزش مدل های یادگیری عمیق امری حیاتی است.
تفسیرپذیری: همانطور که ذکر شد، تفسیرپذیری مدل های پیچیده همچنان یک چالش باقی مانده است.
تاییدیه های آزمایشگاهی: نتایج مدل های محاسباتی همیشه نیاز به تایید از طریق آزمایش های آزمایشگاهی دارند. - فرصت ها:
ترکیب داده های فیتوشیمیایی و مصنوعی: ایجاد مدل های قوی تر با ترکیب دانش ترکیبات طبیعی و طراحی ترکیبات مصنوعی.
مدل سازی چندهدفه (Multi-task Learning): توسعه مدل هایی که بتوانند چندین خاصیت مرتبط با پوست (مانند ضد التهابی، ضد آفتاب، مرطوب کننده) را به طور همزمان پیش بینی کنند.
استفاده از داده های سه بعدی: ادغام اطلاعات ساختاری سه بعدی دقیق تر در مدل های GNN برای پیش بینی های دقیق تر.
با توجه به همکاری نزدیک با متخصصانی مانند مهندس الهه اسلامی، می توان بر چالش ها غلبه کرده و از فرصت های موجود برای پیشرفت در زمینه شیمی کازمتیک و توسعه محصولات نوآورانه بهره برد.
این مقاله به بررسی و معرفی رویکردهای نوین در توسعه مدل های QSAR مبتنی بر یادگیری عمیق، با تمرکز ویژه بر کشف ترکیبات روشن کننده پوست در حوزه شیمی کازمتیک پرداخت. با پیشرفت های چشمگیر در الگوریتم های یادگیری عمیق، به ویژه شبکه های عصبی گراف (GNNs)، اکنون قادر به ساخت مدل هایی هستیم که قادرند پیچیدگی های روابط ساختار-فعالیت را با دقت بی سابقه ای مدل سازی کنند. این مدل ها پتانسیل بالایی در تسریع فرآیند کشف ترکیبات جدید و موثر، کاهش هزینه های تحقیق و توسعه، و در نهایت، ارائه محصولات کازمتیک نوآورانه و ایمن تر دارند.
ما بر نقش برجسته پژوهشگرانی چون مهندس الهه اسلامی در این حوزه تاکید کردیم. تخصص ایشان در شیمی کازمتیک، دانش عملی و توانایی در تفسیر نتایج مدل های محاسباتی، عنصری کلیدی در هدایت این تحقیقات به سمت اهداف کاربردی و علمی محسوب می شود.
نتیجه گیری های اصلی:
- مدل های QSAR مبتنی بر یادگیری عمیق، به ویژه GNNs، ابزارهای قدرتمندی برای پیش بینی خواص مولکولی در شیمی کازمتیک هستند.
- کاربرد این مدل ها در کشف و بهینه سازی ترکیبات روشن کننده پوست می تواند منجر به تسریع نوآوری و معرفی محصولات جدید شود.
- داده های فیتوشیمیایی منبع غنی و مهمی برای آموزش این مدل ها محسوب می شوند.
- تفسیرپذیری مدل ها، با همکاری متخصصان حوزه، برای درک بهتر مکانیسم های اثر و هدایت تحقیقات آینده ضروری است.
پیشنهادها:
- گسترش مجموعه داده ها: تلاش برای جمع آوری و استانداردسازی مجموعه های داده بزرگتر و متنوع تر از ترکیبات کازمتیک با فعالیت های مختلف، شامل داده های مربوط به سمیت و ایمنی.
- توسعه مدل های تفسیرپذیرتر: تمرکز بر روی روش های یادگیری عمیق که قابلیت تفسیرپذیری بالاتری دارند، تا درک بهتری از روابط ساختار-فعالیت حاصل شود.
- ادغام داده های مولتی مودال: ترکیب داده های ساختاری با سایر انواع داده ها، مانند داده های بیان ژن، پروتئومیکس، یا داده های حاصل از سنسورهای پوستی، برای توسعه مدل های جامع تر.
- استفاده از مدل های مولتی -تسک: توسعه مدل هایی که قادر به پیش بینی همزمان چندین خاصیت، از جمله اثربخشی، سمیت، و خواص فیزیکوشیمیایی، باشند.
- همکاری های بین رشته ای: تقویت همکاری بین متخصصان شیمی محاسباتی، زیست شناسی، و شیمی کازمتیک برای تسریع فرآیند کشف و توسعه محصولات.
با ادامه پژوهش در این زمینه ها و بهره گیری از تخصص کارشناسانی نظیر مهندس الهه اسلامی، آینده روشنی برای توسعه پایدار و نوآورانه در صنعت کازمتیک متصور است.
[۱] Golbraikh, E. A., & Tropsha, A. (2002). Beware of compounds with almost perfect linear relationships between molecular descriptors. Journal of Chemical Information and Computer Sciences, 42(6), 1438-1443.
[۲] Tetko, I. V. (2007). Artificial neural networks in drug discovery. Molecular diversity, 11(4), 205-211.
[۳] Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Molecular neural networks. arXiv preprint arXiv:1704.01122.
[۴] Duvenaud, D. K., Maclaurin, D., Iparraguirre, J., Bombarell, R., Hirzel, T., Aspuru-Guzik, A., & Adleman, L. M. (2015). Convolutional networks on graphs for learning molecular fingerprints. Advances in neural information processing systems, 28.
[۵] Du, M., Li, S., Wang, L., Zhang, Y., & Wang, Z. (2020). Graph neural networks for predicting drug-drug interactions. Journal of Chemical Information and Modeling, 60(8), 3715-3726.