هوش مصنوعی داروهایی را کشف کرده است که می توانند با پیری مبارزه کنند

یافتن داروهای جدید یا کشف دارو گران و زمان بر است. اما نوعی از هوش مصنوعی به نام یادگیری ماشینی می تواند این فرآیند را تسریع کند و با هزینه بسیار کم آن را انجام دهد.

گروهی از محققان در دانشگاه ادینبورگ اخیراً از یادگیری ماشینی برای یافتن داروهای سنولیتیک استفاده کردند. سنولیتیک ها داروهایی هستند که روند پیری را کند می کنند و از بیماری های مرتبط با افزایش سن جلوگیری می کنند.

داروهای سنولیتیک با از بین بردن سلول های پیر عمل می کنند. سلول های پیر از نظر متابولیکی فعال هستند اما نمی توانند تولید مثل کنند و به همین دلیل به عنوان “سلول های زامبی” شناخته می شوند.

عدم توانایی در بازی لزوما چیز بدی نیست. DNA این سلول ها آسیب دیده است (مثلاً سلول های پوستی که در اثر نور خورشید آسیب دیده اند) بنابراین توقف تکثیر از گسترش آسیب جلوگیری می کند.

پیری سلولی همیشه چیز خوبی نیست. آنها ترکیبی از پروتئین های التهابی ترشح می کنند که می تواند به سلول های مجاور برسد.

در طول زندگی ما، سلول‌های ما توسط چیزهای مختلفی از اشعه ماوراء بنفش گرفته تا مواد شیمیایی مورد حمله قرار می‌گیرند و سلول‌های قدیمی در بدن ما جمع می‌شوند. افزایش تعداد سلول های پیر با طیف گسترده ای از بیماری ها از جمله دیابت نوع 2، کووید، فیبروز ریوی، آرتروز و سرطان مرتبط است.

مطالعات انجام شده بر روی موش های آزمایشگاهی نشان می دهد که حذف سلول های پیر با استفاده از سنولیتیک ها می تواند بیماری های ذکر شده را بهبود بخشد. این داروها می توانند سلول های زامبی را از بین ببرند، اما هیچ ارتباطی با سلول های سالم ندارند.

حدود 80 سنولیتیک شناخته شده است، اما تنها دو مورد از آنها در انسان آزمایش شده است: ترکیب داساتینیب و کورستین. یافتن سنولیتیک‌های بیشتری که می‌توانند برای درمان بیماری‌های مختلف مورد استفاده قرار گیرند، عالی است، اما ده تا بیست سال و میلیاردها دلار طول می‌کشد تا یک دارو به بازار عرضه شود.

محققان دانشگاه ادینبورگ و مرکز تحقیقات اسپانیایی IBBTEC-CSIC می‌خواستند بدانند آیا می‌توانند مدل‌های یادگیری ماشینی را برای شناسایی senolytics جدید آموزش دهند. آنها نمونه هایی از داروهای سنولیتیک و داروهای غیرسنولیتیک را در مدل گنجانده اند. این مدل‌ها یاد گرفتند که بین دو نوع دارو تمایز قائل شوند و بنابراین می‌توان از آنها برای پیش‌بینی اینکه آیا مولکول‌هایی که قبلاً دیده نشده بودند، استفاده کرد.