أبرز التهديد الوجودي لـ Covid-19 الحاجة الماسة لتطوير علاجات فعالة ضد المخاوف الصحية الناشئة. إن إحدى وسائل الترف التي أتاحها التعلم العميق لنا هي القدرة على تعديل المناظر الطبيعية فور ظهورها - طالما أننا قادرون على مواكبة التهديد الفيروسي والوصول إلى البيانات الصحيحة. 

كما هو الحال مع جميع الأمراض الطبية الجديدة ، في كثير من الأحيان ، تحتاج البيانات إلى وقت للحاق بها ، ولا يستغرق الفيروس وقتًا للتباطؤ ، مما يشكل تحديًا صعبًا لأنه يمكن أن يتحور بسرعة ويصبح مقاومًا للأدوية الموجودة. دفع هذا العلماء من مختبر علوم الكمبيوتر والذكاء الاصطناعي (CSAIL) التابع لمعهد ماساتشوستس للتكنولوجيا (MIT) وعيادة جميل للتعلم الآلي في مجال الصحة إلى التساؤل: كيف يمكننا تحديد تركيبات الأدوية التآزرية المناسبة لفيروس SARS-CoV-2 سريع الانتشار؟ 

عادةً ما يستخدم علماء البيانات التعلم العميق لانتقاء مجموعات الأدوية مع مجموعات البيانات الكبيرة الموجودة لأشياء مثل السرطان وأمراض القلب والأوعية الدموية ، ولكن ، من المفهوم ، لا يمكن استخدامها لأمراض جديدة ببيانات محدودة.

بدون الحقائق والأرقام الضرورية ، احتاج الفريق إلى نهج جديد: شبكة عصبية ترتدي قبعتين. نظرًا لأن التآزر الدوائي يحدث غالبًا من خلال تثبيط الأهداف البيولوجية (مثل البروتينات أو الأحماض النووية) ، فإن النموذج يتعلم بشكل مشترك التفاعل بين الأدوية المستهدفة والتآزر بين الأدوية والعقاقير من أجل تعدين تركيبات جديدة. يقوم متنبئ هدف الدواء بنمذجة التفاعل بين دواء ومجموعة من الأهداف البيولوجية المعروفة المرتبطة بالمرض المختار. يتعلم متنبئ ارتباط المرض المستهدف فهم نشاط الدواء المضاد للفيروسات ، مما يعني تحديد إنتاجية الفيروس في مزارع الأنسجة المصابة. معًا ، يمكنهم التنبؤ بتآزر عقارين. 

تم العثور على مجموعتين جديدتين من الأدوية باستخدام هذا النهج: remdesivir (تمت الموافقة عليه حاليًا من قبل FDA لعلاج Covid-19) و reserpine ، بالإضافة إلى remdesivir و IQ-1S ، والتي أثبتت فعاليتها ضد الفيروس في الاختبارات البيولوجية. كانت الدراسة نشرت في ال وقائع الأكاديمية الوطنية للعلوم.

"من خلال نمذجة التفاعلات بين الأدوية والأهداف البيولوجية ، يمكننا تقليل الاعتماد بشكل كبير على بيانات التآزر المركبة" ، كما يقول Wengong Jin SM '18 ، باحث ما بعد الدكتوراة في معهد برود في معهد ماساتشوستس للتكنولوجيا وجامعة هارفارد الذي أكمل مؤخرًا دراسة الدكتوراه في CSAIL ، ومن هو المؤلف الرئيسي لورقة بحثية جديدة حول البحث. "على عكس الأساليب السابقة التي تستخدم التفاعل مع الهدف الدوائي كواصفات ثابتة ، تتعلم طريقتنا التنبؤ بالتفاعل بين العقاقير المستهدفة من الهياكل الجزيئية. هذا مفيد لأن نسبة كبيرة من المركبات تحتوي على معلومات تفاعل غير مكتملة بين الدواء والهدف ". 

استخدام العديد من الأدوية لزيادة الفاعلية إلى أقصى حد ، مع تقليل الآثار الجانبية أيضًا ، هو عمليًا في كل مكان للسرطان وأمراض القلب والأوعية الدموية المذكورة أعلاه ، بما في ذلك مجموعة من الأدوية الأخرى مثل السل والجذام والملاريا. من المهم جدًا أن يؤدي استخدام الكوكتيلات الدوائية المتخصصة إلى تقليل التهديد الخطير وأحيانًا العام بالمقاومة (فكر في مقاومة الميثيسيلين المكورات العنقودية الذهبية المعروفة باسم “MRSA”) ، حيث أن العديد من الطفرات المقاومة للأدوية متنافية. يصعب على الفيروس تطوير طفرتين في نفس الوقت ثم يصبح مقاومًا لدوائين في العلاج المركب. 

الأهم من ذلك ، أن النموذج لا يقتصر على سلالة واحدة فقط من SARS-CoV-2 - يمكن أيضًا استخدامه لمتغير دلتا المعدي بشكل متزايد أو المتغيرات الأخرى المثيرة للقلق التي قد تنشأ. لتوسيع فعالية النموذج ضد هذه السلالات ، ستحتاج فقط إلى بيانات تآزر تركيبة دوائية إضافية للطفرة (الطفرات) ذات الصلة. بالإضافة إلى ذلك ، طبق الفريق نهجهم على فيروس نقص المناعة البشرية وسرطان البنكرياس.

لمزيد من تنقيح النمذجة البيولوجية الخاصة بهم ، يخطط الفريق لدمج معلومات إضافية مثل تفاعل البروتين والبروتين وشبكات تنظيم الجينات. 

هناك اتجاه آخر للعمل المستقبلي الذي يستكشفونه وهو ما يسمى "التعلم النشط". تنحاز العديد من نماذج توليفات الأدوية نحو مساحات كيميائية معينة نظرًا لحجمها المحدود ، لذلك هناك قدر كبير من عدم اليقين في التنبؤات. يساعد التعلم النشط في توجيه عملية جمع البيانات وتحسين الدقة في مساحة كيميائية أوسع. 

كتب جين الورقة البحثية جنبًا إلى جنب مع جوناثان إم ستوكس ، زميل بانتنج في معهد برود في معهد ماساتشوستس للتكنولوجيا وجامعة هارفارد ؛ ريتشارد ت. إيستمان ، عالم في المركز الوطني لتطوير العلوم الانتقالية ؛ زينة إتكين ، عالمة في المعاهد الوطنية للصحة ؛ أليكسي ف. جيمس ج. كولينز ، أستاذ الهندسة البيولوجية في معهد ماساتشوستس للتكنولوجيا ؛ و Tommi S. Jaakkola و Regina Barzilay ، أساتذة MIT للهندسة الكهربائية وعلوم الكمبيوتر في MIT.

هذا المشروع مدعوم من عيادة عبد اللطيف جميل للتعلم الآلي في الصحة. وكالة الحد من التهديدات الدفاعية ؛ مؤسسة باتريك ج. ماكغفرن ؛ برنامج الاكتشاف الجزيئي المعجل DARPA ؛ وجزئيًا من خلال برنامج البحث الداخلي / خارج الأسوار التابع للمركز الوطني للنهوض بالعلوم التحويلية داخل المعاهد الوطنية للصحة.