سلول های پیر نشانه بارز پیری هستند. آنها همچنین در طیف گسترده ای از بیماری ها و شرایط مرتبط با سن از جمله سرطان، دیابت، بیماری های قلبی عروقی و بیماری آلزایمر نقش دارند. سنولیتیک ها ترکیباتی هستند که به طور انتخابی آپوپتوز یا مرگ برنامه ریزی شده سلولی را در سلول های پیر القا می کنند. با وجود وعده بالقوه آنها، بیشتر ترکیبات سنولیتیک شناسایی شده تا به امروز به دلیل فراهمی زیستی ضعیف و عوارض جانبی نامطلوب مختل شده اند.
اکنون، یک مطالعه جدید توضیح می‌دهد که چگونه یک پلتفرم مبتنی بر هوش مصنوعی، ساخته شده بر روی کار پیشگام در آزمایشگاه جیم کالینز، دکترا، در MIT و موسسه Wyss، کاندیداهایی را با کارایی قابل مقایسه و بهبود شیمی دارویی نسبت به یک ترکیب سنولیتیک شناخته‌شده فعلی شناسایی کرد. (ABT-737.) روش هدایت‌شده با هوش مصنوعی 2352 ترکیب را از نظر فعالیت سنولیتیک غربال کرد – در مدلی از پیری ناشی از اتوپوزید – و شبکه‌های عصبی نموداری را برای پیش‌بینی فعالیت‌های سنولیتیک بیش از 800000 مولکول برای آشکار کردن سه داروی کاندید آموزش داد. علاوه بر این، درمان موش های مسن تعداد سلول های پیر را کاهش داد و بیان ژن های مرتبط با پیری را کاهش داد. نویسندگان خاطرنشان کردند که نتایج، “بر وعده استفاده از یادگیری عمیق برای کشف سنوتراپی تاکید می کند.”
یافته ها در منتشر شده است پیری طبیعت، در مقاله “کشف senolytics با مولکول کوچک با شبکه های عصبی عمیق.”
فلیکس وانگ، PhD، یکی از بنیانگذاران یکپارچه علوم زیستی، گفت: این نتیجه تحقیقاتی نقطه عطفی برای تحقیقات طول عمر و کاربرد هوش مصنوعی در کشف دارو است. این داده‌ها نشان می‌دهند که ما می‌توانیم فضای شیمیایی را در سیلیکو کاوش کنیم و با ترکیبات ضد پیری کاندید متعددی ظاهر شویم که در مقایسه با نمونه‌های امیدوارکننده از نوع خود که امروزه مورد مطالعه قرار می‌گیرند، احتمال موفقیت بیشتری در کلینیک دارند.
Biosciences یکپارچه در سال 2022 توسط وانگ و مکس ویلسون، دکترا، برای هدف قرار دادن پاسخ‌های استرس سلولی مرتبط با سن، سایر نشانه‌های بارز پیری نادیده گرفته شده، و توسعه داروهای ضد پیری با استفاده از زیست‌شناسی مصنوعی و پلت‌فرم‌های هوش مصنوعی، تاسیس شد. شرکت مرحله بذر در سن کارلوس، کالیفرنیا مستقر است.
در مطالعه جدید خود، محققان شبکه‌های عصبی عمیق را بر روی داده‌های تولید شده تجربی برای پیش‌بینی فعالیت senolytic هر مولکولی آموزش دادند. با استفاده از این مدل هوش مصنوعی، آنها سه ترکیب سنولیتیک بسیار انتخابی و قوی را از فضای شیمیایی بیش از 800000 مولکول کشف کردند. هر سه ویژگی شیمیایی نشان‌دهنده فراهمی زیستی خوراکی بالا هستند و مشخص شد که پروفایل‌های سمیت مطلوبی در آزمایش‌های همولیز و سمیت ژنی دارند. تجزیه و تحلیل های ساختاری و بیوشیمیایی نشان می دهد که هر سه ترکیب Bcl-2 را متصل می کنند، پروتئینی که آپوپتوز را تنظیم می کند و همچنین هدف شیمی درمانی است. آزمایش‌هایی که یکی از این ترکیبات را روی موش‌های 80 هفته‌ای آزمایش کردند که تقریباً مشابه انسان‌های 80 ساله بود، نشان داد که سلول‌های پیر را پاک می‌کند و بیان ژن‌های مرتبط با پیری را در کلیه‌ها کاهش می‌دهد.
یکی از امیدوارکننده‌ترین راه‌ها برای درمان بیماری‌های مرتبط با افزایش سن، شناسایی مداخلات درمانی است که به‌طور انتخابی این سلول‌ها را از بدن حذف می‌کنند، مشابه اینکه آنتی‌بیوتیک‌ها باکتری‌ها را بدون آسیب رساندن به سلول‌های میزبان از بین می‌برند. Satotaka Omori، PhD، رئیس زیست شناسی پیری در Integrated Biosciences گفت: ترکیباتی که ما کشف کردیم، گزینش پذیری بالا و همچنین خواص شیمیایی دارویی مطلوب مورد نیاز برای تولید یک داروی موفق را نشان می دهند. ما معتقدیم که ترکیباتی که با استفاده از پلتفرم ما کشف می‌شوند، چشم‌انداز بهتری در آزمایش‌های بالینی خواهند داشت و در نهایت به بازیابی سلامت افراد مسن کمک می‌کنند.»
The post کشف سه ماده جدید ضد پیری با استفاده از هوش مصنوعی و Synbio اولین بار در GEN – اخبار مهندسی ژنتیک و بیوتکنولوژی پدیدار شد.