ابتكار جديد: تعزيز نماذج انتشار الوعي بالجيب لتحسين تصميم الأدوية

تتسارع الأبحاث في تصميم الأدوية المعتمدة على هيكل الجزيئات في ظل الاعتماد المتزايد على نماذج الجيل الثلاثي الوعي بالجيب (Pocket-Aware 3D Generative Models). وعلى الرغم من أن معظم الطرق المتبعة تركز على توزيع التدريب، إلا أنها قد لا تلبي جميع الخصائص المطلوبة في اكتشاف الأدوية العلاجية بكفاءة.

مؤخراً، نالت تقنيات تحسين الجزيئات المعتمدة على الهيكل (Structure-Based Molecule Optimization - SBMO) اهتماماً متزايداً، حيث تستهدف التحكم الدقيق في خصائص جزيئية متعددة. في هذا السياق، نقدم لكم طريقة DEPPA، وهي نهج SBMO مبتكر يعتمد على تحسين سياسة إزالة الضجيج (Denoising Diffusion Policy Optimization) لتحسين نموذج انتشار الوعي بالجيب المدرب مسبقاً عبر التعلم التعزيزي (Reinforcement Learning).

يمكن لتقنية DEPPA تحقيق تحسينات ملحوظة عبر خصائص متعددة تشمل قوة الارتباط (Binding Affinity)، وجهة الشبيه الدوائي (Drug-likeness)، وسهولة التصنيع (Synthesizability) والتنوع (Diversity). تمثل عملية إزالة الضجيج العكسية لنموذج انتشار الوعي بالجيب المدرب مسبقاً كعملية قرار ماركوف متعددة الخطوات، حيث يتم تقييم الخصائص المطلوبة التي تعمل كإشارات مكافأة على الجزيئات النهائية المنتجة.

كما تتضمن DEPPA جدولة إزالة الضجيج بشكل غير دقيق أثناء مرحلة التعلم التعزيزي لتعزيز كفاءة وفاعلية تحسين الجزيئات. أظهرت النتائج التجريبية على معيار CrossDocked2020 أن DEPPA تتفوق على النماذج الأساسية في قوة الارتباط (Vina Score -8.5 kcal/mol) والشبه الدوائي والتنوع، مع أداء تنافسي في قابلية التصنيع.

من الرائع أن تجدوا شفرة المصدر لهذه التقنية المتطورة في الرابط التالي: الرابط. هل تعتقدون أن هذه الابتكارات ستغير مستقبل اكتشاف الأدوية؟ شاركونا آراءكم في التعليقات!