في عالم اكتشاف الأدوية المدعوم بالذكاء الاصطناعي، يعد توقع تفاعلات الأدوية مع الأهداف (Drug-Target Interaction – DTI) مهمة غاية في الأهمية. بينما عززت أساليب تمثيل المكونات الكيميائية الحديثة من دقة هذه التنبؤات، فإن تعرضها لميول تحيزية نحو الأنماط الجزيئية السائدة يعوق الكشف عن إشارات ضعيفة ولكنها ذات صلة بالارتباط، مثل المجموعات الوظيفية وأنماط البقايا. ولهذا السبب، تم تطوير إطار العمل الجديد وهو ProbeMatchDTI، الذي يعتمد على تحليل الأنماط بواسطة مجسات.

يتميز ProbeMatchDTI بمكونين رئيسيين: IterProbe و BindingProbe. حيث يقوم IterProbe بالحفاظ على حالات السياق خلال عمق التنقيح، مستخدمًا مجسات قابلة للتعلم لاختيار هذه الحالات في كل موقع قبل المطابقة بين الكيانات. هذا يساعد على الحفاظ على الأنماط الكيميائية الضعيفة وتعزيز الروابط بين المجموعات الوظيفية والموات المحلية والهياكل الجزيئية. أمّا BindingProbe، فيُعنى بتوصيف التوافق بين الأدوية والبروتينات على مستويات وحدات كيميائية محلية وعموميات الثنائيات، مما يضمن نمذجة التفاعلات الدقيقة والارتباطات متعددة المقاييس مع الحفاظ على الروابط الضعيفة ذات الصلة.

أثبتت التجارب المتعددة تفوق ProbeMatchDTI، حيث حقق زيادة بنسبة 2.0% و0.5% في مقاييس AUC-ROC على منصتي BindingDB وDrugBank على التوالي. تحليلات مستوى الميزات تسلط الضوء على سلوك النظام في تمييز الأنماط الكيميائية عبر المقاييس.

كما يتم ربط توقعات ProbeMatchDTI بالممارسات المدفوعة بالأدلة في عمليات اكتشاف الأدوية، ما يُظهر فائدتها في تحسين مرشحات المرشحين وتخطيط عمليات التحقق.

للمزيد من المعلومات، يمكنكم الوصول إلى الكود البرمجي من خلال الرابط هنا.