به گفته محققان، این پیشرفت می‌تواند روند توسعه دارو پیش بالینی را سرعت بخشد. مولکول‌های پروتئین – بلوک‌های سازنده بدن – از زنجیره‌های بلندی از اسیدهای آمینه تشکیل شده‌اند. ساختار سه بعدی زنجیره‌ها، بسته به عملکرد بیولوژیکی مورد نیاز، تغییرات برگشت پذیری در پروتئین ایجاد می‌کند و به این ساختارهای جایگزین، کنفورماسیون می‌گویند.
فناوری محدودیت‌هایی در درک ساختار پروتئین، که جنبه مهم و در عین حال دشوار در توسعه داروسازی است، داشته است.
اما، به گفته محققین پروژه، مدل هوش مصنوعی ProtMD آنها بر این مشکل غلبه کرده و می‌تواند به دقت پیش‌بینی کند که پروتئین‌ها در محیط‌های مختلف فیزیولوژیکی کدام ترکیب‌ها را تشکیل می‌دهند.
الگوریتم ProtMD می‌تواند حرکات یک پروتئین را در سطح اتمی محاسبه و داده‌هایی را بر اساس دینامیک مولکولی تولید کند. به گفته محققان، ProtMD با منطق محاسباتی متفاوت خود نسبت به روش‌های دیگر – از جمله AlphaFold – تعمیم بیشتری دارد، اما سطح عملکرد آن برای جفت ساختار ناشناخته یکسان است.
این مدل تنها نمی‌تواند ترکیب آتی پروتئین را طبق حالت قبلی آن پیش‌بینی کند، بلکه می‌تواند تغییر ساختاری را پس از تعامل با مولکول‌های دارو پیش‌بینی کند، بنابراین به فرصت ارزیابی اثر دارو را ایجاد می‌کند.
توانایی پیش‌بینی دقیق‌تر میل پروتئینی دارو قبل از فرآیند طولانی کارآزمایی بالینی، توسعه‌دهندگان دارویی را از بزرگترین هزینه‌های آنها صرفه‌جویی و اثربخشی هوش مصنوعی را در طراحی داروهای جدید تضمین می‌کند.
هم زیست‌شناسان محاسباتی و هم زیست‌شناسان ساختاری تلاش‌های زیادی برای حل این مشکل انجام داده‌اند، اما فرآیند بسیار پویا و و زمانی که یک گیرنده برای جا دادن یک مولکول کوچک تغییر می‌کند، کار را با مانع مواجه کرده است.
این مطالعه اولین گام در استفاده از روش‌های هوش مصنوعی برای تجزیه و تحلیل ترکیب دینامیکی پروتئین‌ها است.
فناوری ProtMD جهت جدیدی را برای توسعه مدل‌های یادگیری ماشینی پیرامون پروتئین ارائه می‌دهد. این روش به پیشرفتی در اصل و فرآیندهای اساسی دست می‌یابد که بالاترین دقت پیش‌بینی را در بین روش‌های مشابه دارد.
منبع: scmp
