مکانیک کوانتومی و روش‌های یادگیری ماشین Optibrium مسیرهای متابولیسم دارو را پیش‌بینی می‌کند.

بزرگنمایی تصویر

به گزارش تکنولوژین و به نقل از خبری-پزشکی Optibrium، توسعه‌دهنده پیشرو نرم‌افزار و راه‌حل‌های هوش مصنوعی برای کشف دارو، امروز از انتشار مطالعه همتای خود در Xenobiotica با عنوان «پیش‌بینی مسیرهای متابولیسم فاز I و II بر اساس مکانیک کوانتومی و یادگیری ماشین» خبر داد. در این مقاله، تیم روش جدیدی را نشان می دهد که مسیرهای متابولیسم و متابولیت ها را در کشف اولیه دارو بهتر تعیین می کند.

متابولیسم غیرمنتظره می تواند منجر به نارسایی کاندیدای دارو در مراحل پایانی یا حتی قطع داروهای تایید شده شود. بنابراین، پیش‌بینی اولیه مسیرهای متابولیسم در سیلیکو برای بهبود شانس موفقیت دارو حیاتی است.

این مقاله ابتدا توسعه و اعتبار مدل WhatEnzymeTM Optibrium را توصیف می کند، که به طور دقیق خانواده های آنزیمی را که احتمال متابولیزه کردن یک داروی نامزد را دارند، پیش بینی می کند. سپس تیم این مدل جدید را با مدل‌های منتشر شده قبلی Optibrium ترکیب می‌کند. اینها شامل مدل‌های انتخاب منطقه برای آنزیم‌های کلیدی متابولیسم دارو فاز I و فاز II است که از شبیه‌سازی‌های مکانیکی کوانتومی با روش‌های یادگیری ماشینی برای پیش‌بینی مکان‌های متابولیسم و متابولیت‌های حاصل استفاده می‌کنند. علاوه بر این، مدل WhatP450 که ایزوفرم(های) سیتوکروم P450 مسئول متابولیسم یک ترکیب را پیش بینی می کند.

بر اساس خروجی های مدل ترکیبی، Optibrium روش جدیدی را برای تعیین محتمل ترین مسیرهای متابولیسم و متابولیت هایی که به صورت تجربی مشاهده می شوند، به نمایش می گذارد. این مقاله نشان می‌دهد که این روش حساسیت بالایی در شناسایی متابولیت‌های گزارش‌شده تجربی، و همچنین دقت بالاتری نسبت به روش‌های دیگر برای پیش‌بینی پروفایل‌های متابولیت در داخل بدن ارائه می‌دهد. این پژوهشگران را قادر می‌سازد تا ترکیباتی را با ثبات متابولیک بیشتر و پروفایل‌های ایمنی بهتر شناسایی کنند و ماژول متابولیسم StarDrop را که اخیراً راه‌اندازی شده Optibrium را پشتیبانی می‌کند.

“آخرین مطالعه ما نتیجه شش سال تحقیق متمرکز است که یک مدل عملی ارائه می دهد که به کاربران امکان می دهد مسیرهای متابولیک را برای طیف گسترده ای از ترکیبات شبه دارو پیش بینی کنند. دکتر ماریو اورن، دانشمند اصلی Optibrium، گفت: به لطف مجموعه داده‌های با دقت تنظیم‌شده و رویکرد واکنش پذیری امضا، ما موفق شده‌ایم مدل‌های انتخاب منطقه‌ای خاص ایزوفرم را برای خانواده‌های مهم آنزیمی فاز I و II بسازیم.