چگونه هوش مصنوعی می تواند به طراحی داروهایی برای درمان اعتیاد به مواد افیونی کمک کند

تقریباً سه میلیون آمریکایی از اختلال مصرف مواد افیونی رنج می برند و هر ساله بیش از 80000 آمریکایی در اثر مصرف بیش از حد مواد مخدر جان خود را از دست می دهند. مواد مخدر مانند هروئین، فنتانیل، اکسی کدون و مورفین، گیرنده های مواد افیونی را فعال می کنند. فعال کردن گیرنده‌های مو-افیونی منجر به تسکین درد و سرخوشی می‌شود، اما همچنین به وابستگی فیزیکی و کاهش تنفس منجر می‌شود که در صورت مصرف بیش از حد دارو منجر به مرگ می‌شود.

مطالعات پیش بالینی نشان داده‌اند که مسدود کردن گیرنده‌های کاپا مواد افیونی ممکن است یک رویکرد دارویی امیدوارکننده برای درمان وابستگی به مواد افیونی ارائه دهد. با کشف داروهایی که گیرنده کاپا-افیونی را مهار می کنند، لزلی سالاس استرادا، در آزمایشگاه مارتا فیلیزولا، در دانشکده پزشکی ایکان در کوه سینا، امیدوار است که اعتیاد به مواد افیونی را کاهش دهد. سالاس استرادا، محقق فوق دکترا، کار خود را در روز دوشنبه 20 فوریه در شصت و هفتمین نشست سالانه انجمن بیوفیزیک در سن دیگو، کالیفرنیا ارائه خواهد کرد.

گیرنده های کاپا-افیونی به عنوان واسطه پاداش های مغز شناخته شده اند. سالاس استرادا توضیح داد: «اگر معتاد هستید و در تلاش برای ترک آن هستید، در برخی مواقع با علائم ترک مواجه خواهید شد، و غلبه بر آن‌ها می‌تواند واقعاً سخت باشد، پس از قرار گرفتن در معرض مواد افیونی زیاد، مغز شما دوباره به به داروهای بیشتری نیاز دارید. مسدود کردن فعالیت گیرنده اپیوئیدی کاپا در مدل های حیوانی نشان داده شده است که این نیاز به استفاده از داروها را در دوره ترک کاهش می دهد.

با این حال، کشف داروهایی که می توانند فعالیت یک پروتئین را مسدود کنند، مانند گیرنده کاپا-افیونی، می تواند یک فرآیند طولانی و پرهزینه باشد. استفاده از ابزارهای محاسباتی می تواند آن را کارآمدتر کند، اما غربالگری میلیاردها ترکیب شیمیایی ممکن است ماه ها طول بکشد. در عوض، Salas Estrada از هوش مصنوعی (AI) برای بهینه‌سازی فرآیند استفاده می‌کند.

هوش مصنوعی این مزیت را دارد که می‌تواند حجم عظیمی از اطلاعات را دریافت کند و یاد بگیرد که الگوها را از آن تشخیص دهد. بنابراین، ما معتقدیم که یادگیری ماشینی می‌تواند به ما کمک کند تا اطلاعاتی را که می‌توان از پایگاه‌های داده‌های شیمیایی بزرگ به دست آورد، برای طراحی داروهای جدید استفاده کرد. و به این ترتیب، ما به طور بالقوه می توانیم زمان و هزینه های مرتبط با کشف دارو را کاهش دهیم.”

آنها با استفاده از اطلاعات مربوط به گیرنده کاپا-اپیوئید و داروهای شناخته شده، یک مدل کامپیوتری را برای تولید ترکیباتی که ممکن است گیرنده را مسدود کنند، با یک الگوریتم یادگیری تقویتی آموزش دادند که به خواصی که برای درمان های دارویی مطلوب است پاداش می دهد.

تا کنون، این تیم چندین ترکیب را شناسایی کرده اند که دارای خواص امیدوارکننده هستند و آنها در حال کار با همکاران برای سنتز آنها و در نهایت آزمایش توانایی آنها در مسدود کردن گیرنده کاپا-اپیوئید در سلول ها هستند، قبل از اینکه آنها را در مدل های حیوانی برای ایمنی و اثربخشی آزمایش کنند. در نهایت، سالاس استرادا گفت: “ما امیدواریم بتوانیم به افرادی که با اعتیاد دست و پنجه نرم می کنند کمک کنیم.”