Deep Origin
រូបវិទ្យា სიმੂਲੇਸ਼ਨနှင့် စက်သင်ယူမှု (Machine Learning) တို့ကို ပေါင်းစပ်၍ ဆေးဝါးအသစ်ရှာဖွေမှုကို အရှိန်မြှင့်ပေးပြီး ADME ခန့်မှန်းခြင်း၊ မော်လီကျူး ဆက်သွယ်မှု (Molecular Docking) နှင့် ဆေးခန်းမစတင်မ
၎င်းသည် မည်သည့်အရာနည်း
Deep Origin သည် ရုပ်ပိုင်းဆိုင်ရာ အခြေခံထားသော AI ဆေးဝါးရှာဖွေရေး ပလပ်ဖောင်းတစ်ခုဖြစ်ပြီး မော်လီကျူးဒိုင်းနမစ် სიმူਲੇਸ਼ਨ (Molecular Dynamics Simulation) နှင့် စက်သင်ယူမှုကို လုပ်ငန်းစဉ်တစ်ခုတည်းအတွင်း ပေါင်းစပ်ပေးထားသည်။ ၎င်းသည် သုတေသနအဖွဲ့များကို မော်လီကျူး ဆက်သွယ်မှု (Docking)၊ ADME ဂုဏ်သတ္တိ ခန့်မှန်းခြင်းနှင့် ဆေးခန်းမစတင်မီ အဆင့် (Preclinical stage) မော်ဒယ်လ်ပြုလုပ်ခြင်းတို့တွင် ကူညီပေးသောကြောင့် ဒြပ်ပေါင်းများသည် လက်တွေ့ဓာတ်ခွဲခန်း (Wet lab) သို့ မရောက်ရှိမီ ကွန်ပျူတာဖြင့် စစ်ထုတ်ခြင်းနှင့် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ခြင်းတို့ကို ပြုလုပ်နိုင်မည်ဖြစ်သည်။ သက်သက်ဒေတာဖြင့် မောင်းနှင်ထားသော ဘလက်ခ်ဘောက်စ် (Black box) မော်ဒယ်များနှင့် မတူဘဲ၊ ၎င်းသည် ရုပ်ပိုင်းဆိုင်ရာ სიმူਲੇਸ਼ਨ၏ ရှင်းလင်းချက်ထုတ်ပေးနိုင်မှုကို အလေးပေးထားပြီး ရလဒ်များကို အမှန်တကယ် ဇီဝဓာတုဗေဒဆိုင်ရာ အပြုအမူများနှင့် ပိုမိုနီးစပ်စေသည်။
မည်သည့်ပြဿနာများကို ဖြေရှင်းပေးသနည်း
ရိုးရာဆေးဝါးအသစ် တီထွင်မှုတွင် ငွေအကုန်အကျဆုံးနှင့် အချိန်အကြာဆုံးအဆင့်မှာ ရွေးချယ်စရာ မော်လီကျူး ထောင်ပေါင်းများစွာထဲမှ ဆက်လက်လုပ်ဆောင်သင့်သည့် အနည်းငယ်ကို ရှာဖွေဖော်ထုတ်ခြင်းပင်ဖြစ်သည်။ Deep Origin သည် ဤရှေ့ပြေး စစ်ထုတ်သည့်အဆင့်ကို ကွန်ပျူတာစနစ်သို့ ပြောင်းရွှေ့ပေးပြီး ခန္ဓာကိုယ်တွင်း ဆေးဝါးစုပ်ယူမှု၊ ဖြန့်ဝေမှု၊ ဇီဝြဖစ်ပျက်မှုနှင့် စွန့်ထုတ်မှု (ADME) တို့ကို სიმူਲੇਸ਼ਨပြုလုပ်ကာ ပစ်မှတ်ပရိုတင်းနှင့် ပေါင်းစပ်အားကို တိုင်းတာခြင်းဖြင့် အမှားအယွင်းနှင့် ကြိုးစားမှုသံသရာကို တိုစေကာ အနောက်ပိုင်းတွင် ရှုံးနိမ့်နိုင်ချေကို လျှော့ချပေးသည်။ ၎င်းသည် အဓိကအားဖြင့် ဆေးဝါးကုမ္ပဏီများ၊ ဇီဝနည်းပညာ စတาร์တပ်များနှင့် ပညာရပ်ဆိုင်ရာ သုတေသနအဖွဲ့များမှ တွက်ချက်မှုဆိုင်ရာ ဓာတုဗေဒပညာရှင်များနှင့် ဆေးဝါးဒီဇိုင်းပညာရှင်များကို ရည်ရွယ်ထားပြီး ဘတ်ဂျက်ကန့်သတ်ချက်အတွင်း ပိုမိုယုံကြည်စိတ်ချရသော ဆုံးဖြတ်ချက်များချရန် လိုအပ်သော သုတေသနလုပ်ငန်းစဉ်များအတွက် သင့်လျော်သည်။ မြင့်မားသော စွမ်းဆောင်ရည်ရှိသော ကွန်ပျူတာကွန်ရက် (HPC cluster) ကို ကိုယ်တိုင်တည်ဆောက်ရန် အခက်အခဲရှိသော အဖွဲ့များအတွက်လည်း အဆင့်မြင့် სიმူਲੇਸ਼ਨ စွမ်းရည်များကို အသုံးပြုနိုင်သည့် ရွေးချယ်စရာတစ်ခုဖြစ်သည်။
အဓိက အင်္ဂါရပ်များ
- ရုပ်ပိုင်းဆိုင်ရာ အခြေခံထားသော မော်လီကျူး ဒိုင်းနမစ် სიმူਲੇਸ਼ਨ အင်ဂျင်
- ADME ဆေးဝါး ဇီဝြဖစ်ပျက်မှု ဂုဏ်သတ္တိ ခန့်မှန်းချက်
- မော်လီကျူး ဆက်သွယ်မှုနှင့် ပေါင်းစပ်အား တိုင်းတာခြင်း
- စက်သင်ယူမှုဖြင့် ပံ့ပိုးထားသော ဒြပ်ပေါင်း စစ်ထုတ်ခြင်း
- ဆေးခန်းမစတင်မီ (Preclinical) အဆင့် မော်ဒယ်လ်ပြုလုပ်မှုကို ပံ့ပိုးပေးခြင်း
- တွက်ချက်မှုဆိုင်ရာ ဓာတုဗေဒ လုပ်ငန်းစဉ်များအတွက် ပေါင်းစပ်ထားသော ပတ်ဝန်းကျင်
အားသာချက်များ
- ရုပ်ပိုင်းဆိုင်ရာ სიმူਲੇஷன்နှင့် စက်သင်ယူမှုကို ပေါင်းစပ်ထားသောကြောင့် ရလဒ်များကို ပိုမိုရှင်းလင်းစွာ သိရှိနိုင်
- ကုန်ကျစရိတ်များသော လက်တွေ့စမ်းသပ်မှုမပြုလုပ်မီ ကွန်ပျူတာစနစ်ဖြင့် ကြိုတင်စစ်ထုတ်နိုင်သဖြင့် အမှားအယွင်းနှင့် အချိန်ကုန်သက်သာစေ
- ဆက်သွယ်မှုမှသည် ADME အထိ အဆင့်များစွာကို လွှမ်းခြုံထားသဖြင့် ကိရိယာပြောင်းလဲသုံးစွဲရမှုကို လျှော့ချပေး
အားနည်းချက်များ
- ကျွမ်းကျင်မှု အဆင့်အတန်းမြင့်မားပြီး စွမ်းဆောင်ရည်ပြည့်ဝရန် ဆေးဝါးဒီဇိုင်းနှင့် တွက်ချက်မှုဆိုင်ရာ ဓာတုဗေဒ နောက်ခံ လိုအပ်
- စမ်းသပ်မှုဖြင့် အတည်ပြုချက်ကို ဆက်လက်လုပ်ဆောင်ရန် လိုအပ်သေးပြီး လက်တွေ့ဓာတ်ခွဲခန်းစမ်းသပ်မှုကို လုံးဝ အစားထိုးမရနိုင်သေးပါ
အသုံးပြုမှုများ
- ဆေးဝါးထုတ်လုပ်ရေးအဖွဲ့များက ဖြစ်နိုင်ချေရှိသော မော်လီကျူးအများအပြားထဲမှ ဦးစားပေးဒြပ်ပေါင်းများကို 初步 (ကနဦး) စစ်ထုတ်ခြင်း
- သုတေသီများက ဆေးဝါးဖြစ်လာနိုင်ခြေကို အကဲဖြတ်ရန် ဒြပ်ပေါင်းများ၏ ADME ဂုဏ်သတ္တိများကို ခန့်မှန်းခြင်း
- ဇီဝနည်းပညာ စတาร์တပ်များက ပစ်မှတ်ပရိုတင်းနှင့် ပေါင်းစပ်နိုင်ခြေကို မော်လီကျူး ဆက်သွယ်မှုဖြင့် အကဲဖြတ်ခြင်း
အယ်ဒီတာမှတ်ချက်
ရုပ်ပိုင်းဆိုင်ရာ სიმူਲੇရှင်း၏ တိကျမှုနှင့် စက်သင်ယူမှု၏ ထိရောက်မှုတို့ကို ပေါင်းစပ်ထားခြင်းဖြစ်ပြီး ဆေးဝါးသုတေသနကို အလေးအနက်ထားလုပ်ဆောင်နေသော အဖွဲ့များအတွက် အသုံးဝင်သည့် ကိရိယာတစ်ခု ဖြစ်သည်။
မေးလေ့ရှိသောမေးခွန်းများ
Deep Origin က ဓာတ်ခွဲခန်း စမ်းသပ်မှုများကို အစားထိုးနိုင်ပါသလား။
မရပါ။ ၎င်း၏ တည်နေရာသည် လက်တွေ့ဓာတ်ခွဲခန်းစမ်းသပ်မှု မပြုလုပ်မီ ကွန်ပျူတာဖြင့် စစ်ထုတ်ခြင်းနှင့် ခန့်မှန်းခြင်းကို ပြုလုပ်ရန်၊ အတိုင်းအတာကို ကျဉ်းမြောင်းစေရန်ဖြစ်ပြီး နောက်ဆုံးတွင် လက်တွေ့စမ်းသပ်မှုဖြင့် အတည်ပြုရန် လိုအပ်ဆဲဖြစ်သည်။
၎င်းသည် သာမန် AI ဆေးဝါး ပလပ်ဖောင်းများနှင့် မည်သို့ကွာခြားသနည်း။
၎င်းသည် ဒေတာအပေါ်သက်သက် အခြေခံသော မော်ဒယ်များကို အဓိကထားခြင်းမဟုတ်ဘဲ ရုပ်ပိုင်းဆိုင်ရာ အခြေခံထားသော မော်လီကျူး სიმူਲੇ션을 အလေးပေးထားသောကြောင့် ရလဒ်များသည် အမှန်တကယ် ဇီဝဓာတု စက်ယန္တရားများနှင့် ပိုမိုနီးစပ်ပြီး ပိုမိုရှင်းလင်းချက်ထုတ်ပေးနိုင်ပါသည်။
တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်မရှိသော အဖွဲ့ငယ်များအတွက် သင့်လျော်ပါသလား။
သင့်လျော်ပါသည်။ ကိုယ်ပိုင် မြင့်မားသော စွမ်းဆောင်ရည်ရှိသော ကွန်ပျူတာ ပတ်ဝန်းကျင် (HPC) မရှိသော ဇီဝနည်းပညာ စတาร์တပ်များ သို့မဟုတ် ပညာရပ်ဆိုင်ရာ အဖွဲ့များအတွက် အဆင့်မြင့် სიმူਲੇਸ਼ਨ စွမ်းရည်များကို အသုံးပြုနိုင်သည့် လမ်းကြောင်းတစ်ခုကို ပံ့ပိုးပေးထားပါသည်။