شناسایی داروهای موثر کووید-۱۹ با کمک یک روش یادگیری ماشینی

به نقل از وب‌سایت رسمی دانشگاه ام‌آی‌تی، با آغاز شیوع بیماری همه‌گیر کووید-۱۹ در اوایل سال ۲۰۲۰، پزشکان و پژوهشگران، تلاش خود را برای یافتن روش‌های درمانی موثر آغاز کردند. "کارولین اولر"(Caroline Uhler)، از پژوهشگران "دانشگاه ام‌آی‌تی"(MIT) گفت: ساخت داروهای جدید، زمان‌بر است و تنها گزینه مناسب می‌تواند استفاده مجدد از داروهای موجود باشد.

اولر و گروهش، روشی مبتنی بر یادگیری ماشینی ابداع کرده‌اند که می‌تواند داروهای موجود در بازار که احتمال مقابله با کووید-۱۹ را به ویژه در بزرگسالان دارند، شناسایی کند. این سیستم، تغییرات بیان ژن در سلول‌های ریه را که به واسطه بیماری و افزایش سن ایجاد می‌شوند، بررسی می‌کند. شاید این کار، به پژوهشگران حوزه پزشکی امکان دهد تا با سرعت بیشتری به آزمایش بالینی داروها در بیماران مسن بپردازند که نشانه‌های شدیدتر بیماری را تجربه می‌کنند. پژوهشگران، پروتئین "RIPK1" را به عنوان یک هدف امیدوارکننده برای کووید-۱۹ مشخص کردند و به شناسایی سه داروی تایید شده پرداختند که بر بیان RIPK1 تاثیر می‌گذارند.

در آغاز همه‌گیری کووید-۱۹ مشخص شد که این بیماری، به افراد مسن‌تر بیش از جوانان آسیب می‌رساند. اولر و گروهش تمایل داشتند که دلیل آن را مشخص کنند. اولر گفت: فرضیه رایج، پیر شدن سیستم ایمنی بدن است اما عامل دیگر موثر در این موضوع می‌تواند یکی از تغییرات اساسی ریه باشد که به واسطه پیر شدن رخ می‌دهد. این تغییر، سفت شدن ریه است.

بافت ریه در حال سفت شدن، الگوهای متفاوتی از بیان ژن را نسبت به ریه افراد جوان‌تر نشان می‌دهد. اولر ادامه داد: بررسی‌های پیشین نشان دادند که اگر سلول‌ها روی یک لایه سفت‌تر با سیتوکین‌ تحریک شوند، شبیه به کاری که ویروس انجام می‌دهد، به ژن‌های متفاوتی تبدیل می‌شوند. ما باید پیر شدن را به همراه کروناویروس بررسی کنیم و به بررسی ژن‌ها در تلاقی این دو مسیر بپردازیم.

پژوهشگران برای انتخاب داروهای تایید شده که ممکن است در این مسیرها عمل کنند، به داده‌های گسترده و هوش مصنوعی روی آوردند. آنها فهرست بزرگی از داروهای بالقوه را با کمک یک روش یادگیری ماشینی موسوم به "خودرمزگذار"(autoencoder) فراهم کردند. سپس به نقشه‌برداری از شبکه ژن‌ها و پروتئین‌هایی پرداختند که هم در عفونت‌های ناشی از پیر شدن و هم در عفونت‌های ناشی از کروناویروس نقش دارند. پژوهشگران نهایتا الگوریتم‌های آماری را به کار گرفتند تا روابط علت و معلولی شبکه را درک کنند و به شناسایی ژن‌هایی بپردازند که اثرات ناگهانی را در شبکه پدید می‌آورند. داروهایی که این دسته از ژن‌ها و پروتئین‌ها را هدف قرار می‌دهند، می‌توانند گزینه‌های امیدوارکننده‌ای برای آزمایش‌های بالینی باشند.

پژوهشگران برای تولید فهرست ابتدایی از داروهای احتمالی، به دو مجموعه کلیدی از الگوهای بیان ژن تکیه کردند. یکی از پایگاه داده‌ها نشان داد که چگونه بیان ژن در سلول‌های گوناگون، نسبت به طیف وسیعی از داروهای موجود در بازار واکنش نشان می‌دهد و چگونه یک پایگاه داده دیگر، نسبت به عفونت ناشی از کروناویروس واکنش نشان می‌دهد. خودرمزگذار به جستجو در پایگاه داده‌ها پرداخت تا داروهایی را مشخص کند که تاثیر آنها بر بیان ژن، خنثی کردن اثرات کروناویروس است. این کاربرد خودرمزگذار، چالش‌برانگیز است و به بینش‌های اساسی در مورد شبکه‌های عصبی نیاز دارد.

پژوهشگران در مرحله بعدی، فهرست داروهای بالقوه را با ورود به مسیرهای اساسی ژنتیکی، محدود کردند. آنها به نقشه‌برداری از پروتئین‌هایی پرداختند که در مسیرهای عفونت ناشی از پیری و ناشی از کروناویروس دخیل بودند. سپس نواحی تلاقی میان دو نقشه را شناسایی کردند. این تلاش، شبکه دقیق بیان ژن را مشخص کرد و نشان داد که دارویی برای مقابله با کووید-۱۹ در بیماران مسن مورد نیاز است.

"آناستازیا بلیایوا"(Anastasiya Belyaeva)، از پژوهشگران این پروژه گفت: ما می‌خواهیم دارویی را شناسایی کنیم که روی همه این ژن‌های متفاوت اثر بگذارد.

پژوهشگران از الگوریتم‌هایی استفاده کردند تا روابط علت و معلولی سیستم‌هایی را که در تعامل هستند، درک کنند. شبکه نهایی، RIPK1 را به عنوان یک پروتئین/ ژن مورد نظر برای داروهای بالقوه کووید-۱۹ شناسایی کرد. پژوهشگران، فهرستی از داروهای تایید شده را شناسایی کردند که روی RIPK1 اثر دارند و ممکن است بتوانند کووید-۱۹ را درمان کنند. این داروها پیشتر برای درمان سرطان تایید شده بودند. سایر داروهای شناسایی شده مانند "ریباویرین"(Ribavirin) و "کوئیناپریل" (Quinapril)، در حال حاضر در آزمایش‌های بالینی کووید-۱۹ مورد بررسی قرار دارند.

این پژوهش، در مجله "Nature Communications" به چاپ رسید.