12747

بررسي روش هاي مبتني بر يادگيري ماشين در اكتشاف دارو

1401

دكتر مرتضي آنالويي

امروزه مدل هاي هوش مصنوعي به دليل توانايي و قدرت در استخراج ويژگي‌هاي خودكار از داده‌هاي ورودي، همراه با توانايي آنها براي به دست آوردن مناسبات ورودي-خروجي غيرخطي در حوزه سلامت كاربرد هاي فراواني يافته اند. اين سمينار برخي از روش‌هاي يادگيري ماشين مورد استفاده در طراحي دارو را معرفي مي‌كند، كه شامل تكنيك‌هايي براي نمايش مولكول‌ها، روش هايي براي اتصال در سطح مولكولي و توليد مولكول هاي جديد به منظور توليد دارو هاي جديد و اثرات بهتر است. زمينه طراحي و اكتشاف دارو به لطف پيشرفت‌هاي سريع در تكنيك‌هاي يادگيري عميق، پيشرفت چشمگيري داشته است. با اين حال، هنوز هم كاوش در توسعه شبكه‌هاي مؤثر براي طراحي داروهاي جديد وجود دارد كه به دنبال رفع چالش‌ها و افزايش رويكردهاي محاسباتي است. اين سمينار به ترتيب در 4 فصل؛ مقدمه، مفاهيم-اصطلاحات و مباني نظري، مسائل و كارهاي پيشين و نتيجه گيري ارائه شده است. در فصل سوم اين سمينار، به توضيح رويكرد متفاوتي كه در مقالات ارائه شده پرداخته است كه اتصال مولكولي را به عنوان يك مسئله مدل‌سازي مولد مي بيند و مدلي به نام DIFFDOCK را معرفي مي‌كند كه يك مدل مولد انتشار است كه براي موقعيت‌هاي ليگاند (مولكول موثر دارو) طراحي شده است. همچنين رويكرد DNMG را كه در يكي از مقالات به عنوان يك رويكرد اميدواركننده براي طراحي مولكولي جديد آمده است، بررسي مي شود، اين رويكرد از اطلاعات فضايي سه بعدي و معماري‌هاي مبتني بر شبكه هاي مولد رقابتي استفاده مي كند. در نهايت، اين سمينار مزاياي هوش مصنوعي در طراحي دارو را خلاصه مي كند و نگاهي اجمالي به آينده هوش مصنوعي در كشف و توسعه دارو ارائه مي دهد.

11/15/2023 12:00:00 AM

81038

1402/09/07

study of machine learning methods in drug discovery

يادگيري ماشين , اكتشاف دارو , يادگيري عميق , مدل هاي مولد , يادگيري ماشين گراف , اتصال مولكولي

Machine Learning , Drug Discovery , Deep Learning , Generative Models , Graph Machine Learning , Molecule Docking