به گزارش علم خوان، پژوهشگران دانشگاه علوم پزشکی تهران در این بررسی با استفاده از یادگیری عمیق، داکینگ مولکولی و شبیه‌سازی‌های دینامیک مولکولی، بر یافتن مهارکننده‌های آلفا-گلوکوزیداز از کوهوش سیاه (گیاهی که به طور معمول برای اهداف دارویی استفاده می‌شود) تمرکز کردند.

آلفا-گلوکوزیداز آنزیمی است که مسئول تجزیه کربوهیدرات‌ها به گلوکز است که بدن آن را جذب می‌کند. مهارکننده‌های این آنزیم هضم کربوهیدرات را کند می‌کنند و افزایش ناگهانی قند خون را پس از غذا کاهش می‌دهند - مکانیسم ارزشمندی برای کنترل قند خون در افراد مبتلا به دیابت نوع 2. مهارکننده‌های موجود مانند آکاربوز به صورت بالینی استفاده می‌شوند، اما جایگزین‌های طبیعی می‌توانند از نظر هزینه، عوارض جانبی یا در دسترس بودن، مزایایی داشته باشند.

روش انجام تحقیق

این پژوهشگران بیش از ۱۵۰۰ مولکول شناخته‌شده برای مهار آلفا-گلوکوزیداز، به علاوه بسیاری از ترکیبات طبیعی از گیاهان دارویی (از جمله یک پایگاه داده گیاهی بزرگ از منابع گیاهی ایرانی) را جمع‌آوری کرد. آکاربوز به عنوان یک مقایسه‌کننده استاندارد استفاده شد.

یادگیری عمیق با BERT & SMILES: آنها برای این مقصود از تکنیک‌های افزایش داده‌ها در مدل‌سازی یادگیری عمیق استفاده کردند. آنها مدل‌های مبتنی بر ترانسفورماتور از پیش آموزش‌دیده از مجموعه Hugging Face، از جمله مدل‌هایی مانند PC10M-450k که قبلاً روی مجموعه داده‌های شیمیایی بزرگ آموزش دیده بودند، به کار بردند.

آنها این مدل‌ها را برای وظیفه خاص خود تنظیم دقیق کردند: طبقه‌بندی اینکه آیا یک ترکیب آلفا-گلوکوزیداز را مهار می‌کند یا خیر.

افزایش داده‌ها: از آنجا که داده‌های برچسب‌گذاری شده در بسیاری از وظایف کشف داروی طبیعی محدود هستند، بیش‌برازش یک خطر است. برای کاهش این مشکل، نویسندگان چندین رشته SMILES برای هر مولکول با تغییر اتم‌های شروع و ترتیب پیمایش ایجاد کردند. این کار مجموعه داده‌ها را بدون نیاز به اندازه‌گیری‌های تجربی جدید متنوع می‌کند. SMILES) یک قالب متنی است که ساختارهای مولکولی را نشان می‌دهد (.

ارزیابی مدل: آنها مدل‌های مختلف از پیش آموزش‌دیده را مقایسه کردند و دریافتند که مدل PC10M-450k بهترین یادآوری را به دست آورد (یعنی در شناسایی صحیح مهارکننده‌های واقعی در تنظیمات آزمایش آنها بهترین بود).

غربالگری و اعتبارسنجی مجازی: با استفاده از بهترین مدل، آنها ترکیباتی از کوهوش سیاه را غربالگری کردند. یک ترکیب، اکتائاپوکساید ۳-O-زایلوزید، به طور ویژه امیدوارکننده ظاهر شد. این ترکیب فعالیت مهاری پیش‌بینی‌شده بالا، تمایلات اتصال قوی در شبیه‌سازی‌های اتصال و برهمکنش‌های پایدار در شبیه‌سازی‌های دینامیک مولکولی (MD) را نشان داد.

یافته‌های کلیدی

استفاده از افزایش داده‌ها از طریق انواع SMILES عملکرد مدل را به طور قابل توجهی بهبود بخشید، معیارهایی مانند دقت و MCC (ضریب همبستگی متیوز) را افزایش داد و بیش‌برازش را کاهش داد.

این مدل، اکتائاپوکساید ۳-O-زایلوزید از کوهوش سیاه را به عنوان کاندیدای برتر شناسایی کرد، با احتمال مهار پیش‌بینی‌شده‌ای که از برخی ترکیبات طبیعی موجود بیشتر است، و رفتار in silico (انرژی اتصال، پایداری) قابل مقایسه یا مطلوب‌تر نسبت به آکاربوز است.

سایر ترکیبات کوهوش سیاه، مانند ایزوفرولیک اسید و سیمیراسموسید F، نیز ارزیابی شدند، اگرچه در مقایسه با آکاربوز فعالیت کمتری یا اتصال نامطلوب‌تری نشان دادند.

محدودیت‌ها و مراحل بعدی

این یافته‌های محاسباتیin silico  (درون رایانه‌ای) هستند- یعنی هیچ اعتبارسنجی in vitro (آزمایشگاهی) یا in vivo (حیوانی/انسانی) در این کار گزارش نشده است. اثرات بیولوژیکی، سمیت، پایداری متابولیک و فراهمی زیستی در دنیای واقعی باید آزمایش شوند.

پیش‌بینی مهار یک چیز است؛ اطمینان از اینکه یک ترکیب در محیط پیچیده گوارش/جذب انسان ایمن و مؤثر رفتار می‌کند چیز دیگری است.

عملکرد به شدت به انتخاب روش تقویت، مدل از پیش آموزش‌دیده و کیفیت داده‌های آموزشی بستگی دارد. برون‌یابی از مخلوط‌های پیچیده گیاهی یا ترکیبات آزمایش نشده هنوز نامشخص است.

چرا این یافته‌‌ها امیدوارکننده هستند؟

این مطالعه نمونه‌ای از چگونگی استفاده مجدد از ابزارهای هوش مصنوعی، به ویژه ابزارهایی که از پردازش زبان طبیعی مانند BERT گرفته شده‌اند، برای تسریع کشف داروهای طبیعی است. این تیم با استفاده هوشمندانه از افزایش داده برای «گسترش» مجموعه داده‌های محدود، نشان می‌دهد که مدل‌های کامپیوتری می‌توانند سرنخ‌های مفیدی ایجاد کنند. برای داروهای گیاهی و ترکیبات طبیعی (که اغلب به دلیل پیچیدگی و هزینه کمتر مورد مطالعه قرار می‌گیرند)، روش‌هایی مانند این می‌توانند به معرفی سریع‌تر نامزدهای درمانی امیدوارکننده کمک کنند.

خلاصه کلام

بر اساس این خط لوله محاسباتی که ترکیبی از یادگیری عمیق، افزایش داده، داکینگ و شبیه‌سازی است، اکتائاپوکساید ۳-O-زایلوزید، ترکیبی از کوهوش سیاه، به عنوان یک مهارکننده جدید آلفا-گلوکوزیداز امیدوارکننده به نظر می‌رسد. خود این روش - ادغام مدل‌های ترانسفورماتور از پیش آموزش دیده و افزایش داده از طریق نمایش‌های متعدد SMILES ممکن است به یک مدل مفید برای بسیاری از پروژه‌های کشف داروی آینده، به ویژه با محصولات طبیعی، تبدیل شود.

منبع: https://www.nature.com/articles/s41598-025-14699-1

کلیدواژه: گیاه دارویی، داروی گیاهی، هوش مصنوعی، یادگیری عمیق، آلفا-گلوکوزیداز