هوش مصنوعی با داده های محرمانه، سرعت کشف دارو را افزایش می دهد

پژوهش های جدید نشان می دهد استفاده از داده های اختصاصی و محرمانه شرکت های داروسازی برای آموزش مدل های هوش مصنوعی، دقت پیش بینی ساختار پروتئین ها را به طور چشمگیری نسبت به مدل های مشهوری مانند «آلفافولد» بهبود می بخشد.

به گزارش خبرگزاری صداوسیما و به نقل از مجله «نیچر»، مدل های هوش مصنوعی برای پیش بینی ساختار پروتئین ها در حوزه کشف دارو با کمبود شدید داده های عمومی مواجه هستند. در همین راستا، کنسرسیومی از شرکت های داروسازی با استفاده از نسخه متن باز «اوپن فولد 3» (OpenFold3) و آموزش آن با بیش از 20 هزار ساختار پروتئینی اختصاصی، توانستند مدلی را توسعه دهند که عملکردی بسیار بهینه تر از مدل های مبتنی بر داده های عمومی دارد. محمد القریشی، زیست شناس محاسباتی دانشگاه کلمبیا، تأکید می کند: دسترسی به داده های محرمانه شرکت ها که از طریق روش هایی، چون بلورنگاری پرتو ایکس تولید شده اند، نقطه عطفی در بهبود دقت مدل هاست. در حال حاضر، پایگاه داده پروتئین (PDB) که منبع اصلی آموزش مدل هایی، چون آلفافولد است، نمونه های محدودی از تعامل پروتئین ها با مولکول های دارویی را در اختیار دارد که این موضوع منجر به افت دقت مدل ها در مواجهه با مولکول های جدید می شود. در همین راستا، پروژه هایی مانند «اوپن بایند» با حمایت مالی دولت بریتانیا در حال تلاش اند تا با منتشر کردن هزاران ساختار پروتئینی جدید، بخشی از این خلاء داده ای را پر کرده و مسیر را برای کشف سریع تر و دقیق تر دارو های جدید هموار کنند.

نظرات

captcha