
ขณะนี้สถาบันเคมีกำลังดำเนินการวิจัยเพื่อค้นหาสารประกอบที่อาจยับยั้งมะเร็งได้จากโครงสร้างแซนโทนที่เกิดขึ้นตามธรรมชาติ (ภาพ: แวน เอ็นจีเอ)
โรคมะเร็งส่งผลกระทบอย่างมากต่อสุขภาพของประชาชน ทำให้ความต้องการวิธีการรักษาที่มีประสิทธิภาพ ปลอดภัย และยั่งยืนมีความเร่งด่วนมากขึ้น การบูรณาการปัญญาประดิษฐ์ (AI) การคำนวณประสิทธิภาพสูง และการตรวจสอบเชิงทดลอง กำลังเปิดแนวทางที่มีประสิทธิภาพในการออกแบบอนุพันธ์แซนโทนสำหรับการรักษามะเร็งแบบเจาะจงเป้าหมาย
การออกแบบยาโดยใช้คอมพิวเตอร์ช่วย (CADD) กำลังกลายเป็นแนวโน้มสำคัญในเคมีเภสัชกรรมสมัยใหม่ ในประเทศเวียดนาม การบูรณาการปัญญาประดิษฐ์ (AI) และการคำนวณประสิทธิภาพสูงเข้ากับวิธีการทดลองกำลังเปิดแนวทางใหม่ในการใช้ประโยชน์จากสารประกอบจากธรรมชาติ ในการศึกษาครั้งนี้ โครงสร้างแซนโทนถูกเลือกเป็นวัตถุดิบตั้งต้นที่มีศักยภาพ โดยมีกระบวนการวิจัยที่มุ่งเน้นตั้งแต่การจำลองไปจนถึงการตรวจสอบเชิงทดลอง
นอกเหนือจากการรักษาแบบดั้งเดิมแล้ว แนวโน้มในการพัฒนายาในปัจจุบันกำลังเปลี่ยนไปสู่การออกแบบยาแบบเจาะจงเป้าหมายอย่างมาก โดยผสานกับเทคโนโลยีการคำนวณขั้นสูงเพื่อลดระยะเวลาการวิจัยและเพิ่มประสิทธิภาพ ในแนวโน้มนี้ สารประกอบที่ได้จากธรรมชาติ โดยเฉพาะอย่างยิ่งแซนโทน กำลังได้รับความสนใจเนื่องจากศักยภาพทางชีวภาพที่หลากหลาย รวมถึงฤทธิ์ต้านมะเร็ง อย่างไรก็ตาม การใช้ประโยชน์จากสารประกอบเหล่านี้อย่างมีประสิทธิภาพยังคงมีข้อจำกัดหากพึ่งพาเฉพาะวิธีการทดลองแบบดั้งเดิม ซึ่งใช้เวลานานและมีค่าใช้จ่ายสูง
รองศาสตราจารย์ ดร. ฟาม มินห์ ควาน และคณะที่สถาบันเคมี (สถาบัน วิทยาศาสตร์และเทคโนโลยีแห่ง เวียดนาม) ได้ดำเนินโครงการ "การวิจัยเกี่ยวกับการใช้การจำลองด้วยคอมพิวเตอร์ร่วมกับวิธีการทดลองเพื่อค้นหาสารประกอบยับยั้งเซลล์มะเร็งที่มีศักยภาพจากสารประกอบโครงสร้างแซนโทนที่ได้จากธรรมชาติ" โครงการนี้มีเป้าหมายเพื่อสร้างกระบวนการวิจัยแบบบูรณาการ โดยใช้วิธีการคำนวณสมัยใหม่ เช่น ปัญญาประดิษฐ์ การจำลองโมเลกุล และการคำนวณประสิทธิภาพสูง ร่วมกับการตรวจสอบเชิงทดลอง ซึ่งจะช่วยเปิดแนวทางใหม่ในการวิจัยและพัฒนายาในเวียดนาม
รองศาสตราจารย์ ดร. ฟาม มินห์ ควาน กล่าวว่า ทีมวิจัยได้สร้างฐานข้อมูลของสารประกอบแซนโทน ซึ่งรวมถึงสารประกอบที่มีข้อมูลการทดลองอยู่แล้วและสารประกอบที่ใช้ในการคัดกรองเสมือนจริง จากนั้นจึงพัฒนาและฝึกฝนแบบจำลองการเรียนรู้ของเครื่องจักรเพื่อทำนายปฏิสัมพันธ์ที่เป็นไปได้ของสารประกอบกับเป้าหมายทางชีวภาพที่เกี่ยวข้องกับมะเร็ง ซึ่งจะช่วยสร้างรายชื่อสารประกอบที่มีศักยภาพในการยับยั้งโปรตีนที่กำลังศึกษาได้อย่างรวดเร็ว การผสมผสานข้อมูลการทดลองที่ตีพิมพ์แล้วกับแบบจำลองทางคอมพิวเตอร์ช่วยให้แนวทางการคัดกรองชัดเจนยิ่งขึ้น แทนที่จะพึ่งพาแนวทาง "ลองผิดลองถูก" แบบดั้งเดิม
ในขณะเดียวกัน พารามิเตอร์ทางเภสัชจลนศาสตร์และดัชนี "ความคล้ายคลึงกับยา" ของสารประกอบต่างๆ ก็ได้รับการทำนายโดยใช้เครื่องมือคำนวณเฉพาะทางด้วยเช่นกัน วิธีนี้ช่วยให้มั่นใจได้ว่าไม่เพียงแต่สารประกอบที่มีศักยภาพสูงในการยับยั้งโปรตีนเป้าหมายเท่านั้น แต่ยังตรงตามเกณฑ์สำคัญสำหรับการพัฒนายา เช่น การดูดซึม การกระจายตัว และความปลอดภัยด้วย นี่เป็นขั้นตอนสำคัญในการปรับปรุงความน่าเชื่อถือของการทำนายด้วยคอมพิวเตอร์ และช่วยคัดกรองรายชื่อสารประกอบตั้งต้นที่มีศักยภาพก่อนที่จะเข้าสู่ขั้นตอนการทดลอง
จุดเด่นของการวิจัยนี้คือการประยุกต์ใช้แบบจำลองการเรียนรู้เชิงลึกในการออกแบบอนุพันธ์ใหม่จากสารประกอบนำร่องที่ระบุได้ แทนที่จะ "ค้นหา" เพียงอย่างเดียว การวิจัยนี้ได้ก้าวไปอีกขั้นด้วยการ "ออกแบบ" อนุพันธ์ใหม่โดยอิงจากโครงสร้างของสารประกอบนำร่องโดยมีเป้าหมายเพื่อปรับปรุงประสิทธิภาพ วิธีการนี้แสดงให้เห็นอย่างชัดเจนถึงบทบาทของ AI ไม่เพียงแต่ในการวิเคราะห์ข้อมูลเท่านั้น แต่ยังรวมถึงการสร้างสารประกอบโครงสร้างใหม่ ซึ่งเป็นทิศทางที่ได้รับความสนใจ ทั่วโลก ในด้านการออกแบบยา
ที่สำคัญคือ จากรายการอนุพันธ์ที่มีศักยภาพซึ่งได้จากกระบวนการจำลอง งานวิจัยนี้ได้ดำเนินการต่อด้วยการสังเคราะห์อนุพันธ์เหล่านี้แบบกึ่งสังเคราะห์โดยใช้กรดแกมโบจิก ซึ่งเป็นสารประกอบแซนโทนที่มีอยู่มากในยางของพืช Coptis chinensis อนุพันธ์หลักสองกลุ่ม ได้แก่ เอสเทอร์ (11 สารประกอบ) และอะไมด์ (8 สารประกอบ) ถูกสังเคราะห์ขึ้นด้วยประสิทธิภาพสูง และกระบวนการสังเคราะห์ก็ได้รับการพัฒนาและเผยแพร่แล้ว
อนุพันธ์ที่ได้ถูกประเมินฤทธิ์ทางชีวภาพต่อเซลล์มะเร็ง สารประกอบที่มีแนวโน้มดีที่สุดสองชนิดถูกนำไปทดสอบเพิ่มเติมในสัตว์ทดลองเพื่อหาศักยภาพในการยับยั้งเนื้องอก พร้อมทั้งประเมินความเป็นพิษเฉียบพลันและเรื้อรังเพื่อความปลอดภัย ผลการวิจัยแสดงให้เห็นว่าอนุพันธ์หลายชนิดมีฤทธิ์ต้านมะเร็งอย่างมีนัยสำคัญ สอดคล้องกับการคาดการณ์จากการจำลอง โดยเฉพาะเมทิลแกมโบกาเกตและมอร์โฟลินิลแกมโบกาไมด์ที่มีประสิทธิภาพในการยับยั้งเนื้องอกสูงที่สุด
อย่างไรก็ตาม รองศาสตราจารย์ ดร. ฟาม มินห์ ควาน กล่าวว่า การนำงานวิจัยแบบบูรณาการไปใช้ยังคงเผชิญกับความท้าทายหลายประการ ประการแรก มีข้อจำกัดในด้านข้อมูลป้อนเข้าสำหรับแบบจำลองการเรียนรู้ของเครื่องจักร เนื่องจากขาดแหล่งข้อมูลเชิงทดลองที่มีคุณภาพสูง ซึ่งส่งผลต่อความน่าเชื่อถือในการทำนาย นอกจากนี้ การบูรณาการอย่างมีประสิทธิภาพระหว่างกลุ่มวิจัยสหวิทยาการ รวมถึงเคมี ชีววิทยา ชีวสารสนเทศ และวิทยาศาสตร์ข้อมูล จำเป็นต้องมีการประสานงานอย่างใกล้ชิดทั้งในด้านความเชี่ยวชาญและขั้นตอนการทำงาน
จากผลลัพธ์เบื้องต้นเหล่านี้ ทีมวิจัยวางแผนที่จะขยายการประยุกต์ใช้แบบจำลอง CADD ไปยังกลุ่มสารประกอบธรรมชาติอื่นๆ ในอนาคต พร้อมทั้งเพิ่มความหลากหลายของเป้าหมายการรักษา และมีส่วนช่วยในการวิจัยและพัฒนาตัวยาให้ดียิ่งขึ้น
ฮิว เหลียน งา
ที่มา: https://nhandan.vn/tich-hop-ai-dieu-tri-ung-thu-post964425.html
การแสดงความคิดเห็น (0)