GraphDTA: التنبؤ بقوة الارتباط بين الدواء والهدف باستخدام الشبكات العصبية التلافيفية الرسومية

بينما يُعد تطوير الأدوية الجديدة مكلفًا وطويل الأمد، وغالبًا ما يرافقه مشكلات تتعلق بالسلامة، فإن إعادة استخدام الأدوية القديمة—التي تُستخدم لأغراض طبية مختلفة عن تلك التي صُمّمت لها أصلًا، وبما أن سلامتها مثبتة—يُعد بديلًا جذابًا. إذ يصبح فهم كيفية تأثير الأدوية القديمة على أهداف جديدة أمرًا بالغ الأهمية في عملية إعادة استخدام الأدوية، ويحظى باهتمام كبير. تم اقتراح عدة نماذج إحصائية ونماذج تعلم الآلة لتقدير قوة ارتباط الدواء بالهدف، كما أظهرت الأساليب القائمة على التعلم العميق أنها من بين أكثر الأساليب تقدمًا في هذا المجال. ومع ذلك، كانت الأدوية والأهداف في هذه النماذج تمثل عادةً بسلسلة أحادية البعد (1D strings)، رغم أن الجزيئات بطبيعتها تتكون من روابط كيميائية بين الذرات. في هذا العمل، نقترح نموذج GraphDTA لاستخلاص المعلومات الهيكلية للأدوية، مما قد يعزز قدرة النموذج على التنبؤ بقوة الارتباط. وبشكل خاص، على عكس الطرق المنافسة، نمثل الأدوية على شكل رسوم بيانية (Graphs)، ونستخدم الشبكات العصبية التلافيفية الرسومية (Graph Convolutional Networks) لتعلم قوة ارتباط الدواء بالهدف. قمنا باختبار طريقةنا على مجموعتين معياريتين لبيانات ارتباط الدواء بالهدف، وقارنّا الأداء مع النماذج الرائدة في المجال. أظهرت النتائج أن النموذج المقترح يمكنه التنبؤ بقوة الارتباط بشكل أفضل من النماذج غير القائمة على التعلم العميق، كما أنه يتفوق على النماذج الأخرى القائمة على التعلم العميق. وهذا يُظهر المزايا العملية لتمثيل الجزيئات باستخدام الرسوم البيانية في توفير تنبؤات دقيقة لارتباط الدواء بالهدف. وقد تمتد تطبيقات هذا النموذج أيضًا إلى أي أنظمة توصية، حيث يمكن تمثيل أحد طرفي النظام (المستخدم أو المنتج) أو كليهما باستخدام الرسوم البيانية.