در نبرد مداوم با سرطان، یک رویکرد جدید مبتنی بر هوش مصنوعی در حال بررسی است که توانایی تغییر آینده درمان‌های شخصی‌سازی‌شده سرطان را دارد.
این فناوری که ترکیبی از هوش مصنوعی، شبیه‌سازی‌های دینامیک مولکولی و تحلیل شبکه‌ای است، هدفش پیش‌بینی نقاط اتصال در پروتئین‌های مرتبط با سرطان است. این امر راه را برای توسعه سریع‌تر درمان‌هایی که برای بیماران خاص طراحی شده‌اند، هموار می‌کند.
این مطالعه به سرپرستی دکتر رافائل برناردی، دانشیار بیوفیزیک در دانشکده فیزیک دانشگاه اوبرن انجام شد. در یک تلاش مشترک با دانشگاه بازل و ETH زوریخ، این تیم در حال شکستن موانع موجود در درک و مبارزه با سرطان هستند.
نویسندگان مطالعه اظهار داشتند: “تحقیقات ما بر پتانسیل استفاده از تحلیل شبکه دینامیکی برای بهبود پیش‌بینی‌های ساختاری مبتنی بر هوش مصنوعی و شناسایی دقیق‌تر نقاط تماس پروتئین-پروتئین تأکید دارد.”
هوش مصنوعی و بیوفیزیک در درمان سرطان
تمرکز اصلی تیم بر درک تعامل بین پروتئین‌های درمانی و PD-L1، پروتئینی که سلول‌های سرطانی برای مخفی شدن از سیستم ایمنی استفاده می‌کنند، بود.
این بینش می‌تواند بهبود قابل توجهی در ایمنی‌درمانی‌ها ایجاد کند و درمان‌هایی مانند پمبرولیزوماب (Keytruda) را مؤثرتر کند.
دکتر برناردی توضیح داد: “استفاده از ابزارهای محاسباتی برای طراحی پروتئین‌ها، مرز بعدی در درمان سرطان است. رویکرد یکپارچه ما که ترکیبی از هوش مصنوعی، دینامیک مولکولی و تحلیل شبکه‌ای است، پتانسیل عظیمی برای توسعه درمان‌های شخصی‌سازی‌شده برای بیماران سرطانی دارد.”
پروتئینی که توسط سلول‌های سرطانی دستکاری می‌شود
بزرگ‌ترین مانع در این زمینه، پیش‌بینی دقیق نقطه‌ای است که دارو می‌تواند به پروتئین هدف خود متصل شود. در این مورد، پژوهشگران بر روی PD-L1 تمرکز کردند، یک پروتئین کنترل‌کننده که سلول‌های سرطانی به‌طور ماهرانه‌ای از آن برای سرکوب دفاع‌های ایمنی ما استفاده می‌کنند.
داروهای مدرن که PD-L1 را مسدود می‌کنند، به سیستم ایمنی ما قدرت می‌دهند تا به این تومورها حمله کند، اما تا کنون تعیین دقیق نقطه هدف PD-L1 دست‌نیافتنی باقی مانده است.
ادغام محاسبات و آزمایش‌ها
دکتر برناردی و تیمش به‌طور خلاقانه ابزارهای مبتنی بر هوش مصنوعی AlphaFold2 را با شبیه‌سازی‌های دینامیک مولکولی و تحلیل شبکه‌ای دینامیکی ترکیب کردند تا مناطق اتصال کلیدی در پروتئین PD-L1 را پیش‌بینی و تأیید کنند.
دکتر دیگو گومز، نویسنده اصلی مطالعه گفت: “این کار اهمیت همکاری بین تیم محاسباتی دانشگاه اوبرن و تلاش‌های اعتبارسنجی تجربی همکاران ما در دانشگاه بازل و ETH زوریخ، سوئیس را نشان می‌دهد که در حال پیشبرد پیشرفت‌های این حوزه هستند.”
برای تأیید دقت پیش‌بینی‌های خود، تیم از تکنیک‌های آزمایشی پیشرفته مانند طیف‌سنجی جرمی کراس-لینکینگ و توالی‌یابی نسل جدید استفاده کرد.
این آزمایش‌ها نشان داده‌اند که ترکیب مدل‌های محاسباتی با اعتبارسنجی در آزمایشگاه چقدر می‌تواند برای کشف پیچیدگی تعاملات پروتئین-پروتئین قدرتمند باشد.
گسترش آینده درمان‌های هدفمند
تأثیر این مطالعه انتظار می‌رود فراتر از PD-L1 گسترش یابد. روش‌های توسعه‌یافته می‌توانند به پروتئین‌های دیگر اعمال شوند و به‌طور بالقوه منجر به کشف اهداف دارویی جدید برای بیماری‌های مختلف، از جمله انواع مختلف سرطان و شرایط خودایمنی شوند.
علاوه بر این، این امر در توسعه سریع‌تر و مقرون‌به‌صرفه‌تر داروها، که حوزه‌ای است که روش‌های تجربی سنتی اغلب کند و پرهزینه بوده‌اند، درهای جدیدی را باز می‌کند.
دکتر گومز خاطرنشان کرد: “این تحقیق به اهمیت ابزارهای محاسباتی مانند NAMD و VMD، همراه با سخت‌افزار پیشرفته مانند سیستم‌های NVIDIA DGX برای پیشرفت درمان‌های سرطان اشاره دارد. یافته‌های ما گامی مهم به سوی توسعه درمان‌های جدید و هدفمند برای سرطان است.”
پیشرفت درمان سرطان مبتنی بر هوش مصنوعی
در حالی که این تحقیق نوید قابل‌توجهی دارد، راه به سوی کاربرد بالینی بدون چالش نیست.
ترجمه یافته‌های محاسباتی به درمان‌های مؤثر سرطان نیازمند آزمایش‌های گسترده و همکاری بین محققان، پزشکان و شرکت‌های داروسازی است.
با این حال، تیم نسبت به پتانسیل این رویکردهای مبتنی بر هوش مصنوعی برای تسریع در توسعه داروها خوش‌بین است.
مرحله بعدی این تحقیق بر بهبود دقت این پیش‌بینی‌ها و گسترش دامنه مطالعه برای شامل کردن سایر سرطان‌ها و بیماری‌های خودایمنی تمرکز خواهد داشت.
با پیشرفت پزشکی شخصی‌سازی‌شده، روش‌های مبتنی بر هوش مصنوعی مانند این می‌توانند به‌زودی به ابزاری استاندارد در مبارزه با سرطان تبدیل شوند و به بیماران درمان‌های سریع‌تر و مؤثرتری ارائه دهند که برای ترکیب ژنتیکی خاص آن‌ها طراحی شده‌اند.
این مطالعه در مجله Journal of the American Chemical Society منتشر شده است.
