آخرین مطالب

الگوریتم جدید به طور چشمگیری سرعت شناسایی دو داروی سرطان را که به صورت هم افزایی کار می کنند افزایش می دهد


الگوریتم جدید به طور چشمگیری سرعت شناسایی دو داروی سرطان را که به صورت هم افزایی کار می کنند افزایش می دهد

دکتر ریچارد مک ایندو (سمت چپ) و نویسنده اول دکتر جیاقی لی. اعتبار: مایکل هولاهان، دانشگاه آگوستا

متخصصان بیوانفورماتیک، الگوریتمی را که می‌تواند سال‌ها به توانایی شناسایی از میان هزاران احتمال، دو یا چند دارویی که به طور هم‌افزایی در برابر مشکلی مانند سرطان یا عفونت ویروسی عمل می‌کنند سرعت بخشد.

الگوریتم جدید محققان را قادر می‌سازد تا از پایگاه‌های داده بزرگ موجود با اطلاعاتی در مورد اینکه چگونه یک داروی سرطان بیان ژن یک رده سلولی خاص سرطان سینه را تغییر داده و چگونه سلول را از بین می‌برد، استفاده کنند، سپس آن نتایج را با تاثیر داروی دیگر به صورت ریاضی ترکیب کنند تا ببینند. دکتر ریچارد مک ایندو، مدیر مرکز بیوتکنولوژی و پزشکی ژنومی در کالج پزشکی جورجیا، می‌گوید اگر آنها بتوانند بهتر با هم کار کنند.

او می‌گوید در حالی که این الگوریتم فوراً اطلاعاتی را که می‌تواند یک کارآزمایی بالینی را آغاز کند در دسترس قرار نمی‌دهد، اما مسیر آزمایش‌ها را سرعت می‌بخشد.

مک ایندو می‌گوید: «ایده این است که ما در نهایت می‌خواهیم این ترکیب‌های دارویی هم افزایی را پیدا کنیم که امیدواریم به بیماران مبتلا به سرطان کمک کند.» برای محققان، یافتن این ترکیبات هم افزایی، بدون نیاز به غربالگری یک دارو در یک زمان، به روشی سریع‌تر تبدیل می‌شود، که واقعاً امکان‌پذیر نیست.»

محققان در مجله می نویسند، درمان های ترکیبی دارو می تواند کارایی دارو را بهبود بخشد، دوز دارو (و سمیت مربوط به آن) را کاهش دهد و بر مقاومت دارویی در درمان های سرطان غلبه کند.” PLOS ONEو در حال تبدیل شدن به یک ابزار مهم در درمان سرطان است.

مک ایندو می‌گوید: «مقاوم‌تر شدن سرطان به داروهای شیمی‌درمانی غیرمعمول نیست، بنابراین یکی از راه‌هایی که پزشکان سعی می‌کنند از آن دور شوند، استفاده از ترکیبات، دو داروی شیمی‌درمانی با هم است». “احتمال اینکه شما به طور همزمان در برابر هر دوی آنها مقاومت کنید کمتر از زمانی است که فقط یکی داشته باشید.”

اما محققان می‌گویند با توجه به تعداد داروها و ترکیبات دارویی موجود، راه‌های کارآمد و مؤثری برای شناسایی بهترین ترکیب‌ها وجود ندارد.

و، همه ترکیبات مفید نیستند، در واقع یک دارو در واقع می تواند به عنوان یک آنتاگونیست در برابر دیگری عمل کند، و به طور موثر تأثیر درمانی آن را مسدود یا حداقل کاهش دهد. مک ایندو می‌گوید ترکیب مناسب، در مقابل، تاثیر درمان را افزایش می‌دهد، که به این معنی است که آنها با هم در کشتن سلول‌های سرطانی بهتر عمل می‌کنند.

این الگوریتم همچنین همکاری بین دانشمندان را با امکان اشتراک‌گذاری آسان یافته‌ها امکان‌پذیر می‌سازد که حتی داروها و خطوط سلولی بیشتری را قادر می‌سازد ارزیابی شوند و پایگاه داده ترکیب‌های مؤثر علیه سرطان‌های خاص با سرعت بیشتری رشد کنند.

او می‌گوید: «بخش مشکل این است که چگونه می‌توان تشخیص داد کدام ترکیب دارویی اثر هم افزایی دارد.

رویکردهای موجود برای یافتن ترکیب مناسب شامل ایستگاه‌های بزرگ و خودکاری است که در آن ترکیب‌های دارویی مختلف با یک خط سلول سرطانی خاص قرار داده می‌شوند تا ببینند چه اتفاقی می‌افتد. مک ایندو می‌گوید، اما فهرست داروها طولانی است و ترکیبات احتمالی آن طولانی‌تر است.

او می‌گوید که رویکرد دیگر کنار هم قرار دادن داروها بر اساس آنچه در مورد شیوه‌های عمل مربوطه آن‌ها شناخته شده است، که هنوز هم تعداد زیادی دارو و ترکیبات دارویی را تشکیل می‌دهد، یک فرآیند کند و پرهزینه دیگر است.

پایگاه‌های داده عظیمی از خطوط سلولی وجود دارد که با یک دارو برای بررسی تأثیر بر بیان ژن، قبل و بعد از درمان، درمان شده‌اند، از جمله پروژه کتابخانه امضاهای سلولی مبتنی بر شبکه یکپارچه، برای کمک به ساده‌سازی مطالعات در مقیاس بزرگ مانند بازرسان MCG می خواستند انجام دهند.

آنها بر روی 57 داروی شیمی درمانی به طور تصادفی انتخاب شده در پایگاه داده تمرکز کردند و تغییرات مولکولی تولید شده هر دارو را با جزئیات بررسی کردند و آن را با سرعت رشد مرتبط کردند، به این معنی که چه مقدار از سلول های سرطانی که دارو را از بین می برد، سپس یک نمایش ریاضی از تغییرات مولکولی ابداع کردند. مقدار کشتار برای هر کدام

مک ایندو می‌گوید: «از آنجایی که ما همه اثرات دارویی واحد را داریم، می‌توانیم دو دارو را بر اساس تغییرات مولکولی آنها به صورت ریاضی ترکیب کنیم.

به همه گفته شد که 1596 ترکیب از 57 داروی سرطانی که آنها مطالعه کردند وجود دارد. مک ایندو و همکارانش می نویسند که الگوریتم آنها 30 ترکیب دارویی برتر را انتخاب کرد و هشت مورد با استفاده از یک مدل آماری استاندارد به نام ZIP تأیید شد، نتیجه ای بسیار بهتر از شانس و بسیار کم هزینه تر و زمان برتر از آزمایش تعداد زیادی از ترکیبات دارویی بالقوه.

آزمایشات بعدی در آزمایشگاه، جایی که آنها خطوط سلولی سرطانی را با ترکیبات هم افزایی پیشنهادی درمان کردند، هم افزایی آنها را بیشتر تایید کرد.

او خاطرنشان می کند که غربالگری همه 1596 ترکیب با استفاده از رویکردهای استاندارد حدود سه سال طول می کشد، در حالی که با الگوریتم آن ها حدود هشت هفته طول می کشد.

مک ایندو می‌گوید: «چیزی که ما برای این مقاله می‌خواستیم این بود که آیا می‌توانیم از داده‌های بیان ژن استفاده کنیم تا راهی برای اولویت‌بندی داروهایی که در کنار هم قرار دادن آن‌ها بیشترین احتمال هم افزایی را دارند، پیدا کنیم.»

تغییرات بیان ژن یا جهش ناشی از مواردی مانند قرار گرفتن در معرض محیطی یا حتی اشتباهات تصادفی، یکی از دلایل اصلی توسعه و گسترش سرطان است. دسته‌های مختلف داروهای سرطان به روش‌های مختلفی برای آسیب رساندن به DNA سلول‌های سرطانی و جلوگیری یا حداقل کند کردن تولید مثل آنها عمل می‌کنند.

او می‌گوید: «وقتی با هر چیزی مانند دارو یا تغییر ماده مغذی به سلول ضربه می‌زنید، سلول پاسخ می‌دهد. این به گونه‌ای پاسخ می‌دهد که قرار است نمایه بیان ژنی خود را تغییر دهد.»

این تنظیمات احتمالاً ناشی از تلاش سلول سرطانی برای زنده ماندن است، مانند کار برای روشن کردن مسیرهای سیگنالی جایگزین برای فعال کردن رشد، زیرا دارو مسیر معمول را متوقف کرده است. اما اگر دارو کار کند، سلول خواهد مرد، بنابراین مک ایندو و همکارانش از نرخ کشتن به عنوان نتیجه مهم خود استفاده کردند.

محققان خاطرنشان می کنند که تنها تعداد کمی از 57 دارو به نظر می رسد که هیچ تأثیری بر رده سلولی سرطانی نداشته باشند، و این داروها جزو داروهایی نیستند که تأثیر هم افزایی داشته باشند، اما زمانی که آنها با شریک مناسب ترکیب شوند، هم افزایی همچنان امکان پذیر است. مک ایندو می گوید.

آنها می نویسند که این الگوریتم می تواند به طور مشابه برای شناسایی آسان تر بهترین ترکیبات دارویی برای مشکلات دیگر مانند عفونت های باکتریایی، قارچی و ویروسی مورد استفاده قرار گیرد.

مراحل بعدی شامل بررسی سایر رده های سلولی سرطان سینه است که با همان 57 دارو درمان شده اند، بررسی مجدد تغییرات مولکولی آنها در پاسخ و اینکه آیا این تغییرات در رده های سلولی مختلف یکسان است یا خیر. مک ایندو همچنین می‌خواهد پایگاه‌داده‌ای ایجاد کند که در آن سایر محققین بتوانند به راحتی تأثیر بر بیان ژن و نرخ رشد را برای مطالعات خود بارگذاری کنند و گام مهم بعدی را در مطالعات آزمایشگاهی حیوانات بردارند تا ببینند که آیا این هم‌افزایی در یک تومور دست‌نخورده وجود دارد یا خیر.

اولین نویسنده این مطالعه دکتر جیاقی لی، یک دانشجوی فارغ التحصیل سابق مک ایندو است که پروژه پایان نامه خود را برای استفاده از ابزارهای بیوانفورماتیک برای پیشبرد علم به عهده گرفت. لی اکنون یک همکار پژوهشی در مرکز بیوتکنولوژی و پزشکی ژنومیک MCG است. دکتر Hongyan Xu یک متخصص ژنتیک جمعیت انسانی و آمار زیستی در بخش علوم بهداشت جمعیت MCG است.


تست هوش مصنوعی می تواند ترکیبات موثر داروهای سرطانی را در کمتر از دو روز پیش بینی کند


اطلاعات بیشتر:
یک مدل خطی مبتنی بر شبکه جدید برای اولویت بندی ترکیبات دارویی هم افزایی، PLoS ONE (2022). journals.plos.org/plosone/arti … journal.pone.0266382

ارائه شده توسط کالج پزشکی جورجیا در دانشگاه آگوستا

نقل قول: الگوریتم جدید به طور چشمگیری سرعت شناسایی دو داروی سرطان را افزایش می دهد که به صورت هم افزایی عمل می کنند (2022، 12 مه) بازیابی شده در 12 مه 2022 از https://medicalxpress.com/news/2022-05-algorithm-cancer-drugs-synergistically.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.