اصول Deep QSAR
در QSAR سنتی، از توصیف‌گرهای عددی مولکولی استفاده می‌شود که جدا از مرحله یادگیری مدل هستند.
در Deep QSAR، تعبیه‌های مولکولی (molecular embeddings) از داده‌های خام )مثل SMILES یا گراف شیمیایی( استخراج می‌شوند و همزمان با یادگیری مدل بهینه می‌شوند.
این روش می‌تواند وظایف بهینه‌سازی چندهدفه (multi-objective) را بهتر مدیریت کند و از انتقال دانش (transfer learning) بهره ببرد.
تولید مولکول‌های جدید (Generative Modelling)e
Deep QSAR با مدل‌های زاینده (Generative Models) مثل شبکه‌های عصبی بازگشتی، VAE، GAN و GNN ترکیب شده و امکان طراحی de novo مولکول‌های فعال زیستی جدید را فراهم کرده است.
Chemical Language Models بر پایه SMILES، بخش مهمی از این روند را تشکیل می‌دهند.
این مدل‌ها از فضای نهفته (latent space) مولکول‌ها برای ساخت مولکول‌های جدید استفاده می‌کنند.
برنامه‌ریزی سنتزی (Synthesis Planning)
برنامه‌ریزی سنتز به دو شکل اصلی انجام می‌شود:
سنتز مستقیم (Forward synthesis)
سنتز برگشتی (Retrosynthesis)
مدل‌های deep learning برای پیش‌بینی مسیرهای سنتزی، شرایط واکنش (حلال، کاتالیزور، دما و...)، و ارزیابی قابلیت ساخت ترکیبات استفاده می‌شوند.
ابزارهایی مانند AiZynthFinder و SYNTHIA به طور موفق از این روش‌ها استفاده کرده‌اند.
غربالگری ساختار-مبنا (Structure-Based Screening)
Deep Docking روشی است که با کمک Deep QSAR، امتیازدهی docking را بدون نیاز به اجرای docking کامل انجام می‌دهد.
این روش توانسته است پایگاه‌هایی با میلیاردها مولکول )مثل (ZINC15 را با منابع محاسباتی محدود بررسی کند.
مثلاً در زمان اعلام پاندمی COVID-19، بیش از 1.4 میلیارد ترکیب در کمتر از یک روز برای مهارکننده Mpro SARS-CoV-2 بررسی شد.
استفاده از QSAR در پلی‌فارماکولوژی
با استفاده از مدل‌های چندوظیفه‌ای (multi-task models) می‌توان تاثیر دارو را روی اهداف مختلف زیستی (on/off-target effects) بررسی کرد.
تسریع محاسبات کوانتومی با یادگیری عمیق
مدل‌هایی مانند ANI و AIMNet قادرند خواص کوانتومی مولکول‌ها را با دقت بالا و در زمان بسیار کمتر نسبت به روش‌های سنتی محاسبه کنند.
این مدل‌ها می‌توانند در محاسبات دینامیک مولکولی، برآورد انرژی اتصال لیگاند، و ارزیابی ویژگی‌های واکنش‌ها کاربرد داشته باشند.
در مدل‌های هیبریدی ML-MM، بخش‌های ضعیف‌تر مدل کلاسیک با دقت مدل یادگیری عمیق جایگزین می‌شوند.
نقش محاسبات کوانتومی
استفاده از کامپیوترهای کوانتومی در آینده می‌تواند ظرفیت پردازش و دقت تحلیل‌ها را به شکل چشمگیری افزایش دهد.
مدل‌سازی دقیق‌تر نیروها، مسیرهای واکنش، محاسبات ترمودینامیکی، و کاربردهایی در QSAR و docking از مزایای بالقوه این فناوری هستند.
نتیجه‌گیری
Deep QSAR اکنون به نقطه‌ای رسیده که می‌تواند نقش کلیدی در شتاب‌دهی به مراحل اولیه کشف دارو ایفا کند.
شرکت‌هایی مانند Exscientia و Insilico Medicine توانسته‌اند با بهره‌گیری از این روش‌ها، در زمان کوتاه‌تری نامزدهای دارویی را به مرحله آزمایش بالینی برسانند.
توسعه ابزارهای متن‌باز، دسترسی گسترده‌تر و امکان دموکراتیک‌سازی طراحی دارو را فراهم می‌کند.
