ترجمه فارسی مقاله ادغام الگوریتم های ژنتیکی و یادگیری عمیق برای تولید و پیش بینی فعال سازی مهار کننده های تیروزین کیناز جدید

چکیده

The intersection of artificial intelligence and bioinformatics has enabled significant advancements in drug discovery, particularly through the application of machine learning models. In this study, we present a combined approach using genetic algorithms and deep learning models to address two critical aspects of drug discovery: the generation of novel tyrosine kinase inhibitors and the prediction of their bioactivity. The generative model leverages genetic algorithms to create new small molecules with optimized ADMET (absorption, distribution, metabolism, excretion, and toxicity) and drug-likeness properties. Concurrently, a deep learning model is employed to predict the bioactivity of these generated molecules against tyrosine kinases, a key enzyme family involved in various cellular processes and cancer progression. By integrating these advanced computational methods, we demonstrate a powerful framework for accelerating the generation and identification of potential tyrosine kinase inhibitors, contributing to more efficient and effective early-stage drug discovery processes.

چکیده به فارسی (ترجمه ماشینی)

تقاطع هوش مصنوعی و بیوانفورماتیک پیشرفت های قابل توجهی در کشف مواد مخدر ، به ویژه از طریق استفاده از مدل های یادگیری ماشین ، امکان پذیر است.در این مطالعه ، ما یک رویکرد ترکیبی با استفاده از الگوریتم های ژنتیکی و مدل های یادگیری عمیق برای پرداختن به دو جنبه مهم کشف مواد مخدر ارائه می دهیم: تولید مهار کننده های تیروزین کیناز جدید و پیش بینی فعالیت زیستی آنها.مدل تولیدی الگوریتم های ژنتیکی را برای ایجاد مولکول های کوچک جدید با ADMET بهینه شده (جذب ، توزیع ، متابولیسم ، دفع و سمیت) و خاصیت مواد مخدر به وجود می آورد.به طور هم زمان ، یک مدل یادگیری عمیق برای پیش بینی فعالیت زیستی این مولکولهای تولید شده در برابر تیروزین کینازها ، یک خانواده آنزیم کلیدی درگیر در فرآیندهای مختلف سلولی و پیشرفت سرطان استفاده می شود.با ادغام این روشهای محاسباتی پیشرفته ، ما یک چارچوب قدرتمند برای تسریع در تولید و شناسایی مهار کننده های احتمالی تیروزین کیناز ، کمک به فرآیندهای کشف داروهای کارآمدتر و مؤثرتر را نشان می دهیم.