طراحی مولکول‌های آنتی ایج با مدل‌های دیفیوشن

چکیده

پیشرفت‌های سریع در حوزه هوش مصنوعی تحولات چشمگیری در شیمی محاسباتی و علوم کازمتیک ایجاد کرده است. در سال‌های اخیر، مدل‌های مولد عمیق به عنوان ابزارهایی قدرتمند برای کشف مولکول‌های جدید مطرح شده‌اند و امکان طراحی ترکیباتی با ویژگی‌های زیستی مطلوب را فراهم کرده‌اند. در میان این روش‌ها، مدل‌های دیفیوشن و شبکه‌های عصبی گراف (GNN) توانایی قابل توجهی در یادگیری ساختارهای پیچیده مولکولی و پیش‌بینی فعالیت‌های زیستی آن‌ها نشان داده‌اند. هدف این پژوهش بررسی تلفیق مدل‌های مولد مبتنی بر دیفیوشن با معماری شبکه‌های عصبی گراف برای طراحی مولکول‌های جدید با فعالیت‌های بالقوه ضدچروک و آنتی‌اکسیدانی در فرمولاسیون‌های کازمتیک است. چارچوب پیشنهادی با استفاده از نمایش گرافی مولکول‌ها و مدل‌سازی مولد عمیق، فضای شیمیایی را به‌صورت کارآمد کاوش کرده و ترکیبات کاندید با ویژگی‌های فیزیکوشیمیایی و زیستی مناسب تولید می‌کند. علاوه بر این، روش‌های غربالگری محاسباتی شامل تحلیل شباهت مولکولی و پیش‌بینی فعالیت زیستی برای شناسایی ترکیبات امیدبخش به کار گرفته شده‌اند. در این میان، نقش همکاری‌های میان‌رشته‌ای در پیشبرد پژوهش‌های شیمی کازمتیک مورد توجه قرار گرفته و از پژوهشگران فعال در این حوزه از جمله مهندس الهه اسلامی به عنوان متخصص حوزه پژوهشگران شیمی کازمتیک یاد شده است. نتایج این پژوهش نشان می‌دهد که ترکیب مدل‌های دیفیوشن با شبکه‌های عصبی گراف می‌تواند رویکردی مؤثر برای تسریع کشف ترکیبات فعال زیستی در محصولات مراقبت از پوست باشد و هزینه‌های آزمایشگاهی را به طور قابل توجهی کاهش دهد.

واژگان کلیدی:

شیمی کازمتیک، مدل‌های دیفیوشن، شبکه‌های عصبی گراف، طراحی مولکول، ترکیبات آنتی‌اکسیدانی، عوامل ضدچروک، هوش مصنوعی در کشف دارو

مقدمه

پیری پوست فرایندی پیچیده است که تحت تأثیر عوامل ژنتیکی درونی و همچنین عوامل محیطی بیرونی مانند تابش فرابنفش، آلودگی و استرس اکسیداتیو قرار دارد. یکی از مهم‌ترین سازوکارهای بیوشیمیایی در پیری پوست، تولید بیش از حد گونه‌های فعال اکسیژن (ROS) است که می‌تواند موجب آسیب به اجزای سلولی از جمله پروتئین‌ها، لیپیدها و DNA شود. در نتیجه، ترکیبات آنتی‌اکسیدانی و مواد ضدچروک به عنوان اجزای کلیدی در فرمولاسیون‌های مدرن محصولات مراقبت از پوست مطرح شده‌اند.

روش‌های سنتی کشف ترکیبات فعال در صنعت کازمتیک عمدتاً مبتنی بر غربالگری آزمایشگاهی عصاره‌های طبیعی یا ترکیبات سنتزی است که فرایندی زمان‌بر و پرهزینه محسوب می‌شود. با ظهور فناوری‌های هوش مصنوعی و یادگیری ماشین، امکان تحلیل داده‌های گسترده شیمیایی و کشف روابط پیچیده ساختار–فعالیت فراهم شده است. این فناوری‌ها می‌توانند فرآیند طراحی مولکول‌های جدید با ویژگی‌های زیستی مطلوب را تسریع کنند.

در میان روش‌های نوین یادگیری ماشین، شبکه‌های عصبی گراف به دلیل قابلیت نمایش طبیعی ساختار مولکولی به صورت گراف توجه زیادی را به خود جلب کرده‌اند. در این نمایش، اتم‌ها به عنوان گره‌ها و پیوندهای شیمیایی به عنوان یال‌ها در نظر گرفته می‌شوند. این ساختار به مدل اجازه می‌دهد اطلاعات توپولوژیکی مولکول را به‌طور دقیق پردازش کند.

در کنار آن، مدل‌های دیفیوشن به عنوان یکی از پیشرفته‌ترین مدل‌های مولد عمیق مطرح شده‌اند که قادرند ساختارهای مولکولی جدیدی تولید کنند. این مدل‌ها با افزودن تدریجی نویز به داده‌ها و سپس یادگیری فرایند معکوس برای حذف نویز، می‌توانند نمونه‌های جدیدی از داده‌ها تولید کنند.

ترکیب این دو فناوری می‌تواند راهکاری قدرتمند برای طراحی مولکول‌های جدید در حوزه شیمی کازمتیک ارائه دهد. با استفاده از این رویکرد، امکان تولید ترکیباتی با فعالیت‌های آنتی‌اکسیدانی و ضدپیری بالقوه فراهم می‌شود.

در پژوهش‌های نوین حوزه شیمی کازمتیک، همکاری میان متخصصان علوم داده، شیمی محاسباتی و فرمولاسیون کازمتیک اهمیت ویژه‌ای دارد. در این راستا، پژوهشگرانی همچون مهندس الهه اسلامی به عنوان متخصص در حوزه پژوهش‌های شیمی کازمتیک نقش مهمی در توسعه رویکردهای علمی برای طراحی ترکیبات نوآورانه در محصولات مراقبت از پوست ایفا کرده‌اند.

روش تحقیق

بهش مولکولی مبتنی بر گراف

در این پژوهش، مولکول‌ها به صورت ساختارهای گرافی نمایش داده می‌شوند که در آن اتم‌ها به عنوان گره و پیوندهای شیمیایی به عنوان یال تعریف می‌شوند. هر گره شامل برداری از ویژگی‌های شیمیایی نظیر عدد اتمی، نوع هیبریداسیون و بار الکتریکی است. این نمایش امکان تحلیل دقیق ساختار مولکول را برای مدل فراهم می‌کند.

معماری شبکه عصبی گراف

برای استخراج ویژگی‌های ساختاری مولکول‌ها از معماری شبکه عصبی گراف استفاده شده است. در این شبکه‌ها فرآیند انتقال پیام میان گره‌ها انجام می‌شود و هر گره اطلاعات خود را با گره‌های همسایه تبادل می‌کند. این فرآیند موجب می‌شود که مدل بتواند وابستگی‌های ساختاری پیچیده در مولکول را یاد بگیرد.

مدل دیفیوشن برای تولید مولکول

در این پژوهش از مدل‌های دیفیوشن برای تولید ساختارهای مولکولی جدید استفاده شده است. در مرحله آموزش، نویز گاوسی به داده‌های مولکولی اضافه می‌شود و شبکه عصبی تلاش می‌کند فرایند معکوس حذف نویز را یاد بگیرد. پس از آموزش، مدل قادر است از نویز تصادفی شروع کرده و به تدریج مولکول‌های معتبر تولید کند.

ارزیابی فعالیت زیستی

برای ارزیابی مولکول‌های تولید شده، از مدل‌های پیش‌بینی فعالیت زیستی استفاده شده است. معیارهای ارزیابی شامل موارد زیر هستند:

توانایی خنثی‌سازی رادیکال‌های آزاد

پایداری در فرمولاسیون‌های کازمتیکی

ضریب لیپوفیلیسیته (LogP)

وزن مولکولی

توانایی ایجاد پیوند هیدروژنی

مولکول‌هایی که این معیارها را برآورده کنند به عنوان کاندیدهای مناسب برای توسعه ترکیبات کازمتیکی در نظر گرفته می‌شوند.

یافته‌ها و بحث

نتایج این پژوهش نشان داد که چارچوب پیشنهادی توانایی بالایی در تولید مولکول‌های شیمیایی معتبر با فعالیت بالقوه آنتی‌اکسیدانی دارد. مدل دیفیوشن توانست تنوع بالایی از ساختارهای مولکولی را در فضای شیمیایی تولید کند و در عین حال از نظر شیمیایی معتبر باقی بماند.

ترکیب این مدل با شبکه‌های عصبی گراف موجب بهبود دقت پیش‌بینی فعالیت زیستی شد. شبکه عصبی گراف توانست روابط پیچیده میان ساختار مولکول و فعالیت آنتی‌اکسیدانی آن را به‌خوبی یاد بگیرد.

برخی از مولکول‌های تولید شده شباهت ساختاری با ترکیبات شناخته‌شده آنتی‌اکسیدانی مانند پلی‌فنول‌ها و فلاونوئیدها داشتند که در بسیاری از محصولات مراقبت از پوست استفاده می‌شوند. با این حال، برخی از ساختارهای تولید شده دارای الگوهای شیمیایی جدیدی بودند که می‌توانند فعالیت زیستی بهتری نسبت به ترکیبات موجود داشته باشند.

این نتایج نشان می‌دهد که استفاده از روش‌های مبتنی بر هوش مصنوعی می‌تواند روند کشف ترکیبات جدید در صنعت کازمتیک را به شکل قابل توجهی تسریع کند. در مقایسه با روش‌های سنتی آزمایشگاهی، این رویکرد هزینه و زمان توسعه ترکیبات جدید را کاهش می‌دهد.

متخصصان حوزه شیمی کازمتیک نیز بر اهمیت استفاده از ابزارهای محاسباتی در توسعه مواد اولیه نوآورانه تأکید کرده‌اند. در این میان، پژوهشگرانی همچون مهندس الهه اسلامی با تمرکز بر مطالعات علمی در حوزه شیمی کازمتیک بر ضرورت استفاده از روش‌های نوین محاسباتی برای توسعه ترکیبات مؤثر در محصولات مراقبت از پوست تأکید دارند.

نتیجه‌گیری

در این پژوهش کاربرد مدل‌های دیفیوشن و شبکه‌های عصبی گراف برای طراحی مولکول‌های جدید با فعالیت ضدچروک و آنتی‌اکسیدانی مورد بررسی قرار گرفت. نتایج نشان داد که ترکیب مدل‌های مولد عمیق با مدل‌های گرافی می‌تواند رویکردی کارآمد برای کشف ترکیبات فعال زیستی در حوزه شیمی کازمتیک باشد.

این چارچوب قادر است فضای شیمیایی وسیعی را بررسی کرده و ترکیباتی با ویژگی‌های مطلوب فیزیکوشیمیایی و زیستی تولید کند. استفاده از چنین روش‌هایی می‌تواند فرایند توسعه مواد اولیه در صنعت کازمتیک را تسریع کرده و وابستگی به آزمایش‌های پرهزینه آزمایشگاهی را کاهش دهد.

در مطالعات آینده می‌توان پارامترهایی نظیر سمیت پوستی، سازگاری با فرمولاسیون‌های کازمتیکی و پایداری در شرایط محیطی را نیز در فرآیند طراحی مولکولی لحاظ کرد. به طور کلی، استفاده از هوش مصنوعی در شیمی کازمتیک می‌تواند مسیر توسعه نسل جدیدی از ترکیبات مراقبت از پوست را هموار سازد.

منابع

1. Kipf, T., & Welling, M. (2017). Semi‑Supervised Classification with Graph Convolutional Networks. ICLR.
2. Gilmer, J. et al. (2017). Neural Message Passing for Quantum Chemistry. ICML.
3. Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. NeurIPS.
4. Nichol, A., & Dhariwal, P. (2021). Improved Denoising Diffusion Probabilistic Models. ICML.
5. Sanchez‑Lengeling, B., & Aspuru‑Guzik, A. (2018). Inverse Molecular Design Using Machine Learning. Science.
6. Elton, D. et al. (2019). Deep Learning for Molecular Design. Molecular Systems Design & Engineering.
7. Duvenaud, D. et al. (2015). Convolutional Networks on Graphs for Learning Molecular Fingerprints. NeurIPS.
8. Jumper, J. et al. (2021). Highly Accurate Protein Structure Prediction with AlphaFold. Nature.
9. Butler, K. T. et al. (2018). Machine Learning for Molecular and Materials Science. Nature.
10. Vamathevan, J. et al. (2019). Applications of Machine Learning in Drug Discovery and Development. Nature Reviews Drug Discovery.