ادغام هوش مصنوعی در درمان سرطان

سرطان تأثیر قابل توجهی بر سلامت عمومی دارد، بنابراین، نیاز به یافتن راه‌حل‌های درمانی مؤثر، ایمن و پایدار به طور فزاینده‌ای ضروری می‌شود.

Báo Nhân dân•25/05/2026

تحقیقاتی در موسسه شیمی برای یافتن ترکیبات بالقوه مهارکننده سرطان از چارچوب‌های طبیعی زانتون در حال انجام است. (عکس: VAN NGA)

سرطان به طور قابل توجهی بر سلامت عمومی تأثیر می‌گذارد و نیاز به راه‌حل‌های درمانی مؤثر، ایمن و پایدار را به طور فزاینده‌ای ضروری می‌سازد. ادغام هوش مصنوعی (AI)، محاسبات با کارایی بالا و اعتبارسنجی تجربی، رویکردهای کارآمدی را در طراحی مشتقات زانتون برای درمان هدفمند سرطان ایجاد می‌کند.

طراحی دارو به کمک کامپیوتر (CADD) در حال تبدیل شدن به یک روند قابل توجه در شیمی دارویی مدرن است. در ویتنام، ادغام هوش مصنوعی و محاسبات با کارایی بالا با روش‌های تجربی، رویکردهای جدیدی را برای بهره‌برداری از ترکیبات طبیعی ایجاد می‌کند. در این مطالعه، چارچوب‌های زانتون به عنوان یک ماده منبع امیدوارکننده انتخاب شدند و فرآیند تحقیق از شبیه‌سازی تا تأیید تجربی جهت‌گیری شد.

در کنار درمان‌های سنتی، روند توسعه داروهای مدرن به شدت به سمت طراحی هدفمند دارو، همراه با فناوری‌های محاسباتی پیشرفته برای کاهش زمان تحقیق و بهبود کارایی، در حال تغییر است. در این روند، ترکیبات مشتق شده از طبیعت، به ویژه زانتون‌ها، به دلیل پتانسیل بیولوژیکی متنوع خود، از جمله فعالیت ضد سرطانی، توجه را به خود جلب می‌کنند. با این حال، اگر صرفاً به روش‌های تجربی سنتی که زمان‌بر و پرهزینه هستند، تکیه شود، بهره‌برداری مؤثر از این ترکیبات همچنان محدود است.

دانشیار، دکتر فام مین کوان و همکارانش در موسسه شیمی (آکادمی علوم و فناوری ویتنام) پروژه "تحقیق در مورد استفاده از شبیه‌سازی محاسباتی همراه با روش‌های تجربی برای جستجوی ترکیبات مهارکننده بالقوه سلول‌های سرطانی از ترکیبات چارچوب زانتون مشتق شده طبیعی" را اجرا کرده‌اند. این پروژه با هدف ایجاد یک فرآیند تحقیقاتی یکپارچه انجام شده است که در آن از روش‌های محاسباتی مدرن مانند هوش مصنوعی، شبیه‌سازی مولکولی و محاسبات با کارایی بالا در ترکیب با تأیید تجربی استفاده می‌شود و به گشودن رویکردی جدید در تحقیق و توسعه دارو در ویتنام کمک می‌کند.

دانشیار، دکتر فام مین کوان، اظهار داشت که تیم تحقیقاتی یک پایگاه داده از ترکیبات زانتون، شامل ترکیباتی با داده‌های تجربی موجود و ترکیباتی که برای غربالگری مجازی استفاده می‌شوند، ایجاد کرده است. بر این اساس، یک مدل یادگیری ماشینی توسعه داده شد و آموزش داده شد تا تعاملات بالقوه ترکیبات با اهداف بیولوژیکی مرتبط با سرطان را پیش‌بینی کند و در نتیجه به سرعت فهرستی کوتاه از ترکیبات بالقوه‌ای که پروتئین مورد مطالعه را مهار می‌کنند، تولید کند. ترکیب داده‌های تجربی منتشر شده با مدل‌های محاسباتی، به جای تکیه بر رویکرد سنتی "آزمون و خطا"، راهنمایی واضح‌تری برای فرآیند غربالگری ارائه می‌دهد.

همزمان، پارامترهای فارماکوکینتیک و شاخص «شباهت دارویی» ترکیبات نیز با استفاده از ابزارهای محاسباتی تخصصی پیش‌بینی می‌شوند. این امر تضمین می‌کند که نه تنها ترکیباتی با پتانسیل بالا برای مهار پروتئین هدف انتخاب می‌شوند، بلکه معیارهای ضروری برای توسعه دارو مانند جذب، توزیع و ایمنی نیز رعایت می‌شوند. این یک گام اساسی در بهبود قابلیت اطمینان پیش‌بینی‌های محاسباتی و محدود کردن بیشتر لیست برای شناسایی ترکیبات پیش‌ساز بالقوه قبل از انتقال به مرحله آزمایش است.

نکته برجسته این تحقیق، کاربرد مدل‌های یادگیری عمیق در طراحی مشتقات جدید از ترکیبات سرب شناسایی‌شده است. این تحقیق به جای «جستجوی صرف»، با «طراحی» مشتقات جدید بر اساس ساختار ترکیبات سرب با هدف بهبود فعالیت، گامی اساسی برداشته است. این رویکرد به وضوح نقش هوش مصنوعی را نه تنها در تجزیه و تحلیل داده‌ها، بلکه در ایجاد ترکیبات ساختاری جدید نیز نشان می‌دهد، مسیری که توجه جهانی را در زمینه طراحی دارو به خود جلب کرده است.

نکته قابل توجه این است که با فهرست مشتقات بالقوه به‌دست‌آمده از فرآیند شبیه‌سازی، مطالعه با نیمه‌سنتز این مشتقات بر اساس اسید گامبوژیک - یک ترکیب زانتون که در رزین گیاه Coptis chinensis فراوان است - ادامه یافت. دو گروه اصلی از مشتقات، استرها (11 ترکیب) و آمیدها (8 ترکیب)، با راندمان بالا سنتز شدند و فرآیند سنتز نیز توسعه یافته و منتشر شد.

مشتقات به‌دست‌آمده از نظر فعالیت بیولوژیکی روی رده‌های سلولی سرطانی ارزیابی شدند؛ دو ترکیب امیدوارکننده‌تر در مدل‌های حیوانی بیشتر آزمایش شدند تا پتانسیل مهار تومور آنها مشخص شود، در حالی که ارزیابی‌های سمیت حاد و تحت مزمن برای اطمینان از ایمنی انجام شد. نتایج نشان داد که بسیاری از مشتقات فعالیت ضد توموری قابل توجهی نشان می‌دهند، که با پیش‌بینی‌های شبیه‌سازی مطابقت دارد؛ متیل گامگوگیت و مورفولینیل گامبوگامید با اثربخشی برتر خود در مهار تومور، برجسته بودند.

با این حال، به گفته دانشیار دکتر فام مین کوان، اجرای تحقیقات یکپارچه هنوز با چالش‌های زیادی روبرو است. اول، محدودیت‌هایی در داده‌های ورودی برای مدل‌های یادگیری ماشین به دلیل کمبود منابع داده آزمایشی با کیفیت بالا وجود دارد که بر قابلیت اطمینان پیش‌بینی تأثیر می‌گذارد. علاوه بر این، ادغام مؤثر بین گروه‌های تحقیقاتی بین رشته‌ای، از جمله شیمی، زیست‌شناسی، بیوانفورماتیک و علوم داده، نیازمند هماهنگی نزدیک در تخصص و گردش کار است.

بر اساس این نتایج اولیه، تیم تحقیقاتی قصد دارد در آینده کاربرد مدل CADD را به سایر گروه‌های ترکیبات طبیعی گسترش دهد، ضمن اینکه اهداف درمانی را متنوع کرده و به بهبود تحقیقات و توسعه داروها کمک کند.

هیو لین ان‌جی‌ای

منبع: https://nhandan.vn/tich-hop-ai-dieu-tri-ung-thu-post964425.html