گروهی در دانشگاه MIT قوی ترین پایگاه داده ای فراگیر را در حوزه متابولیت ها، تعامل متابولیت ها با پروتئین، تعامل پروتئین با پروتئین، تعامل دارو با پروتئین و ارتباط بین متابولیت ها و بیماری طراحی کرده است. آنها از نقشه تعاملی بدست آمده جهت استنتاج در مورد بیماری ها و اهداف جدید استفاده می کنند.
این گروه به کمک طیف سنجی- جرمی جهت آنالیز متابولیت های نمونه خونی و بافتی بیماران، توزیع سطح متابولیت های مختلف را بر اساس یک بیماری یا وضعیت خاص می سنجند.
با استفاده از یک بستر پیچیده مهیا شده با هوش مصنوعی دانشمندان قادر خواهند بود مولکول های متابولیتی خاصی را از بین تعداد زیادی از سیگنال های مولکولی دیگر با جرم مولکولی مشابه شناسایی کنند. این عمل با ایجاد یک شبکه ایده آل انجام می شود که قادر است نقاط خالی پازل را نشان داده و سپس مولکول متناظر آن جای خالی را نیز ارائه دهد.
این چنین شبکه های طراحی شده با هوش مصنوعی قادرند ایده های درمانی جدیدی را مطرح کنند، زیرا خود شبکه یک شمای کلی از مسیر و پروسه غیرمتعادل بیماری می باشد و ممکن است برخی از متابولیت های تعیین شده در شبکه بتوانند در آینده به عنوان دارو معرفی شوند.
با کمک این روش، تیمی از ReviveMed موفق به معرفی مسیر های جدیدی از بیماری هانتینگتون شد که سپس ایده های قابل مطرحی را برای درمان آن را نیز معرفی کردند و هم اکنون نتایج آن در ژورنال nature به چاپ رسیده است.
? مترجم: پریسا ایلون
☑ لینک خبر
☑ لینک مقاله
☑ عضویت در زیست فن پزشکی مولکولی
☑ عضویت در کانال زیست فن
