قدرت ابررایانه‌ها، با کمک به محققان در شبیه‌سازی سیستم‌های بیولوژیکی پیچیده و تعاملات مولکولی، با سرعت و دقتی بی‌سابقه، انقلابی در فرایند کشف داروها ایجاد می‌کند. این امر امکان شناسایی سریع‌تر کاندیدهای دارویی بالقوه، بهینه‌سازی درمان‌های موجود و درک عمیق‌تر مکانیسم‌های بیماری را فراهم می‌کند.
ابررایانه‌ها چگونه کشف دارو را سرعت می‌دهند؟
۱) غربالگری مجازی: ابررایانه‌ها می‌توانند داده‌های وسیعی از ترکیبات شیمیایی را در برابر اهداف دارویی بالقوه مانند پروتئین ها غربالگری کنند تا مولکول‌هایی را شناسایی کنند که احتمالا به هم متصل شده و اثر درمانی دارند. در حال حاضر، شبیه‌سازی و پیش‌بینی ساختار سه‌بعدی پیچ‌خوردگی پروتئین و نیز کشف ترکیبات فعال در برابر اهداف داده‌های ترکیبی، مسیرهای مهمی برای کشف دارو به شمار می‌روند. دقت شبیه‌سازی و نرخ غنی‌سازی غربالگری داروی مجازی، تا حد زیادی به عملکرد محاسباتی بستگی دارد. ابررایانه در مقیاس بزرگ، مستلزم شبیه‌سازی میکروثانیه‌ای از یک سیستم حاوی میلیون‌ها اتم است.
۲) شبیه‌سازی دینامیک مولکولی: ابررایانه‌ها رفتار مولکول‌ها را در گذر زمان شبیه‌سازی کرده و به محققان امکان می‌دهد چگونگی تعامل داروها با اهداف تعیین‌شده را در سطح اتمی بررسی کرده و اثربخشی آنها را پیش‌بینی کنند. محققان برای این کار از محاسبات با عملکرد بالا برای دستیابی به نخستین شبیه‌سازی کوانتومی سیستم‌های بیولوژیکی بهره برده‌اند که به مدل‌سازی دقیق عملکرد دارو کمک می‌کند.
۳) پیش‌بینی ساختاری: ابررایانه‌ها قادرند ساختارهای سه‌بعدی پروتئین‌ها را پیش‌بینی کنند که برای درک عملکرد آنها و طراحی داروهایی موثر عمل می‌کنند که می‌توانند با آنها به طور موثر تعامل داشته باشند.
۴) پزشکی شخصی‌سازی: ابررایانه‌ها قادرند با تجزیه و تحلیل پایگاه‌های داده اطلاعات بیماران به شناسایی افرادی کمک کنند که بیش از سایر افراد از درمان‌های خاص و اختصاصی سود می‌برند. این فناوری‌ها به افزایش اثربخشی و موفقیت مطالعات بالینی کمک کرده و الگوها و ارتباطاتی را شناسایی می‌کند که ممکن است از چشم محققان دور بماند. این روش به تشخیص دقیق‌تر و درمان‌های موثر کمک می‌کند.
۵) هدف‌گذاری دوباره برای دارو: از ابررایانه‌ها می‌توان در شناسایی داروهای موجود استفاده کرد که با اثربخش بودن در برابر بیماری‌ها و اهداف مختلف، قادر است توسعه درمان‌های جدید را تسریع کنند. ثابت شده است که این فناوری یا همان سیستم‌های محاسباتی با عملکرد بالا، در کشف داروهای مرتبط در فهرست داروهای موجود در بازار یا داروهای جدید موثرند. محققان با طراحی و کشف دارو به کمک کامپیوتر (CDDD) می‌توانند با شبیه‌سازی‌های کامپیوتری که امکان کشف زودهنگام دارو را با روش‌های چندگانه فراهم می‌کنند، پیشرفت‌های درون رایانه‌ای را ایجاد کنند.
شبیه‌سازی‌هایی با ۱۰ برابر سرعت بیشتر
همکاری بین مؤسسه علوم داده و محاسبات مؤسسه «فراست» دانشگاه «میامی» و یک شرکت پزشکی دقیق نشان داده است که استفاده از ابررایانه‌های قدرتمند می‌تواند تحقیقات دارویی را در مراحل اولیه سرعت بخشد. آزمایشگاه کشف داروی Schürer Systems که توسط دکتر استفان شورر، داروشناس مولکولی و سلولی دانشکده پزشکی دانشگاه میامی میلر اداره می‌شود، با استفاده از ابررایانه AIVAS تعلق به شرکت ALAFIA، شبیه‌سازی‌های لازم برای ایجاد داروهای جدید HIV را تا ۱۰ برابر سریع‌تر از روش‌های استاندارد انجام می‌دهد. همچنین، این همکاری، راه را برای کاربردهای آینده در سرطان و سایر انواع تحقیقات پزشکی هموار می‌کند.
دینامیک مولکولی و ابررایانه‌ها
ابررایانه‌های شرکت ALAFIA مانند بسیاری از برنامه‌های هوش مصنوعی، به پردازنده‌های قدرتمند موسوم به واحدهای پردازنده گرافیکی (GPU) وابسته هستند. محققان در مطالعات خود از شبیه‌سازی‌های دینامیک مولکوی بهره می‌برند. این روش محاسباتی به شدت به قدرت و موازی‌سازی GPUهای مدرن بستگی دارد. البته در این میان، معیار عملکرد هم به طور چشمگیری در رده‌بندی پرسرعت‌ترین ابررایانه‌ها مورد استفاده قرار می‌گیرد که از کد دینامیک مولکولی مشتق می‌شود. استاندارد طلایی برای تعیین معیار سیستم‌های محاسباتی با عملکرد بالا شامل GPUها، LINPACK یا HPL است. اما بسیاری از سیستم‌ها همچنین از HPCG و نیز کدهای مبتنی بر دینامیک مولکولی مانند HPL-AI و معیارهای AMBER یا GROMACS استفاده می‌کنند. محققان در مطالعات خود به این موضوع می‌پردازند که چگونه یک مولکول کوچک می‌تواند با پروتئینی تعامل داشته باشد که در گذر زمان مورد هدف مدل‌سازی نیروهای فیزیکی بین اتم‌ها قرار گیرد.
این شبیه‌سازی‌ها به شدت به پردازنده‌های گرافیکی (GPU) وابسته هستند، زیرا محققان باید محاسبه کنند که چگونه حرکات اتمی حتی در مقیاس فمتوثانیه (۱۰ به توان ۱۵) در کل سیستم مولکولی منتشر می‌شوند و بر اتصال، پایداری و تغییرات ساختاری تأثیر می‌گذارند. فیزیک و ریاضی که دینامیک مولکولی را بسیار دشوار می‌کند، دقیقا همان چیزی است که آن را به یک تست فشار ایده‌آل برای ابررایانه‌های مدرن تبدیل می‌کند. محققان متقاعد شدند تا از داده‌های واقعی دینامیک مولکولی به جای داده‌های شبیه‌سازی شده ابزار استاندارد معیارسنجی استفاده کنند.
کاهش ۲۰ ساعته شبیه‌سازی داروها
نخستین وظیفه‌ای که به ابررایانه این شرکت محول شده، رده‌بندی پنلی متشکل از ۲۵ مولکول منتخب برای شناسایی بیشترین ترکیبات امیدبخش برای درجه‌بندی پروتئین‌های HIV بود. محققان، این خط تولید محاسباتی مرسوم را برای ارزیابی هرکدام از ترکیبات مورد استفاده قرار دادند. پیش از این، محققان تنها قادر بودند چهار شبیه‌سازی را در آن واحد انجام دهند که به طور میانگین ۲۴ ساعت به طول می‌انجامد اما شبیه‌سازی با ابررایانه این شرکت تنها ۴ ساعت زمان می‌برد.
برای مطالعه این مطلب و مقالات علمی دیگر، سری به جدیدترین شماره مجله پرسیاوشان بزنید!
