توسط مدیر سایتمحققان دانشگاه ایالتی واشنگتن راهی برای مداخله زودهنگام در برابر ویروسها یافتهاند. آنها یک تعامل مولکولی واحد را شناسایی کردهاند که ویروسها برای ورود به سلولها به آن متکی هستند.
شناسایی تعامل حیاتی
این تحقیق که در ماه نوامبر در مجلهی Nanoscale منتشر شد، بر ورود ویروسی متمرکز بود؛ یکی از مراحل عفونت که کمترین درک و دشوارترین مرحله برای مختل کردن است. محققان با استفاده از هوش مصنوعی و شبیهسازیهای مولکولی، یک تعامل حیاتی را در یک پروتئین فیوژن شناسایی کردند که با تغییر آن در آزمایشهای آزمایشگاهی، از ورود ویروس به سلولهای جدید جلوگیری شد.
پروفسور جین لیو، استاد مهندسی مکانیک و مواد در دانشگاه ایالتی واشنگتن، به دکریپت گفت: «ویروسها از طریق هزاران تعامل به سلولها حمله میکنند. تحقیق ما شناسایی مهمترین تعامل است و هنگامی که آن را شناسایی کردیم، میتوانیم راهی برای جلوگیری از ورود ویروس به سلول و توقف گسترش بیماری پیدا کنیم.»
منشا تحقیق
این مطالعه از تحقیقاتی که بیش از دو سال پیش، اندکی پس از همهگیری کووید-۱۹ آغاز شد، نشأت گرفت و توسط پروفسور آنتونی نیکولا، استاد میکروبیولوژی و آسیبشناسی دامپزشکی، با بودجهی مؤسسات ملی بهداشت رهبری شد.
در این مطالعه، محققان ویروسهای تبخال را بهعنوان یک مورد آزمایشی بررسی کردند. این ویروسها به یک پروتئین فیوژن سطحی، گلیکوپروتئین B (gB) متکی هستند که برای هدایت همجوشی غشایی در طول ورود ضروری است.
دانشمندان مدتهاست که میدانند gB در عفونت نقش اساسی دارد، اما اندازه بزرگ، معماری پیچیده و هماهنگی آن با سایر پروتئینهای ورودی ویروسی، شناسایی اینکه کدام یک از تعاملات داخلی آن از نظر عملکردی حیاتی هستند را دشوار کرده است.
نقش هوش مصنوعی
لیو گفت که ارزش هوش مصنوعی در این پروژه این نبود که چیزی را که برای محققان انسانی ناشناخته بود، کشف کند، بلکه این بود که جستجو را بسیار کارآمدتر کرد.
بهجای تکیه بر روش آزمون و خطا، تیم از شبیهسازیها و یادگیری ماشینی برای تجزیهوتحلیل هزاران تعامل مولکولی ممکن بهطور همزمان و رتبهبندی مهمترین آنها استفاده کرد.
لیو گفت: «در آزمایشهای بیولوژیکی، معمولاً با یک فرضیه شروع میکنید. فکر میکنید این ناحیه ممکن است مهم باشد، اما در آن ناحیه صدها تعامل وجود دارد. یکی را آزمایش میکنید، شاید مهم نباشد، سپس دیگری را. این کار زمان و هزینه زیادی میبرد. با شبیهسازیها، میتوان از هزینه چشمپوشی کرد و روش ما قادر است تعاملات واقعاً مهم را شناسایی کند که سپس میتوان آنها را در آزمایشها آزمایش کرد.»
کاربردهای گستردهتر
هوش مصنوعی بهطور فزایندهای در تحقیقات پزشکی برای شناسایی الگوهای بیماری که از طریق روشهای سنتی دشوار است، استفاده میشود.
مطالعات اخیر از یادگیری ماشینی برای پیشبینی آلزایمر سالها قبل از ظاهر شدن علائم، علامتگذاری علائم ظریف بیماری در اسکنهای MRI و پیشبینی خطر بلندمدت برای صدها بیماری با استفاده از مجموعههای دادههای بزرگ سوابق سلامت استفاده کردهاند.
دولت ایالات متحده نیز شروع به سرمایهگذاری در این رویکرد کرده است، از جمله یک ابتکار ۵۰ میلیون دلاری مؤسسات ملی بهداشت برای اعمال هوش مصنوعی در تحقیقات سرطان دوران کودکی.
لیو گفت که فراتر از ویروسشناسی، میتوان از همین چارچوب محاسباتی برای بیماریهای ناشی از تعاملات پروتئینی تغییریافته، از جمله اختلالات عصبی مانند بیماری آلزایمر استفاده کرد.
لیو گفت: «مهمترین چیز این است که بدانیم کدام تعامل را هدف قرار دهیم. هنگامی که ما میتوانیم آن هدف را ارائه دهیم، مردم میتوانند به دنبال راههایی برای تضعیف، تقویت یا مسدود کردن آن باشند. این واقعاً اهمیت این کار است.»
