وب‌سایت رسمی دانشگاه کالیفرنیا سن‌دیگو گزارش داده است که یک پلتفرم هوش مصنوعی که در این ابداع شده است، در آزمایش‌ها توانست ۳۲ داروی جدید را برای هدف قرار دادن سرطان تولید کند. دانشمندان دانشگاه کالیفرنیا سن‌دیگو یک الگوریتم یادگیری ماشینی را برای شبیه‌سازی شیمی زمان‌بر مراحل اولیه کشف دارو توسعه داده‌اند که می‌تواند این فرآیند را به طور قابل‌توجهی ساده کند و امکان ارائه دادن درمان‌های جدید را فراهم آورد. در ادامه آمده است که شناسایی داروهای جدید برای بهبودی بیشتر معمولا شامل هزاران آزمایش فردی است اما پلتفرم جدید هوش مصنوعی می‌تواند نتایج یکسان را در کسری از زمان ارائه دهد. دانشمندان از این پلتفرم جدید برای تولید ۳۲ داروی جدید سرطان استفاده کردند. این فناوری، بخشی از یک روند جدید اما رو به ‌رشد در علم داروسازی برای استفاده کردن از هوش مصنوعی به منظور بهبود کشف و توسعه دارو است. تری آیدکر، استاد گروه پزشکی در دانشکده پزشکی دانشگاه کالیفرنیا سن‌دیگو و پژوهشگر ارشد این پروژه گفت: چند سال پیش، هوش مصنوعی یک کلمه کثیف در صنعت داروسازی بود اما اکنون این روند قطعا برعکس است زیرا استارت‌آپ‌های زیست‌فناوری بدون پرداختن به هوش مصنوعی برای جمع‌آوری سرمایه در کسب‌وکار خود مشکل پیدا می‌کنند. کشف دارو با هدایت هوش مصنوعی، به یک حوزه بسیار فعال در داروسازی تبدیل شده است اما بر خلاف روش‌هایی که در شرکت‌ها توسعه می‌یابند، ما فناوری خود را به صورت منبع باز و در دسترس برای هر کسی که می‌خواهد از آن استفاده کند، می‌سازیم. پلتفرم جدید که «POLYGON» نام دارد، در میان پلتفرم‌های هوش مصنوعی کشف دارو منحصربه‌فرد است، زیرا می‌تواند مولکول‌هایی را با اهداف متعدد شناسایی کند. این در حالی است که پروتکل‌های موجود کشف دارو در حال حاضر درمان‌های تک‌هدف را در اولویت قرار می‌دهند. داروهای چندهدف به دلیل پتانسیل خود برای ارائه مزایای مشابه با درمان ترکیبی و در عین حال، عوارض جانبی کمتر مورد توجه پزشکان و دانشمندان هستند. آیدکر گفت: یافتن و توسعه یک داروی جدید سال‌ها طول می‌کشد و میلیون‌ها دلار هزینه دارد؛ به ویژه اگر یک داروی چندهدف باشد. معدود داروهای چندهدفی که ما داریم، تا حد زیادی به طور تصادفی کشف شده‌اند اما این فناوری جدید می‌تواند شانس را از معادله حذف کند و آغازگر نسل جدیدی از پزشکی دقیق باشد. دانشمندان، POLYGON را روی یک پایگاه داده متشکل از بیش از یک میلیون مولکول فعال زیستی شناخته‌شده آموزش دادند که حاوی اطلاعات دقیق درباره خواص شیمیایی و تعاملات شناخته‌شده با اهداف پروتئینی است. الگوریتم POLYGON با یادگیری از الگوهای موجود در پایگاه داده می‌تواند فرمول‌های شیمیایی اصلی را برای داروهای جدید تولید کند که احتمالا دارای ویژگی‌هایی مانند توانایی مهار پروتئین‌های خاص هستند. آیدکر ادامه داد: درست مانند هوش مصنوعی که اکنون در تولید نقاشی‌ها و تصاویر اصلی مانند ایجاد تصاویر چهره انسان براساس ویژگی‌های دلخواه مانند سن یا جنسیت بسیار خوب است، POLYGON نیز می‌تواند ترکیبات مولکولی اصلی را براساس خواص شیمیایی مورد نظر تولید کند. در این مورد، به جای اینکه به هوش مصنوعی بگوییم می‌خواهیم چهره‌مان چند ساله باشد، به او می‌گوییم که می‌خواهیم داروی آینده ما با پروتئین‌های بیماری در تعامل قرار بگیرد. برای آزمایش کردن POLYGON، دانشمندان از آن برای تولید صدها دارو استفاده کردند که جفت‌های گوناگونی را از پروتئین‌های مرتبط با سرطان هدف قرار می‌دهند. از این میان، آنها ۳۲ مولکول را تولید کردند که قوی‌ترین تعاملات پیش‌بینی‌شده را با پروتئین‌های MEK1 و mTOR داشتند. این دو، پروتئین‌های سیگنال‌دهنده سلولی هستند که هدف امیدوارکننده‌ای برای درمان ترکیبی سرطان به شمار می‌روند. مهار هر دو پروتئین با هم برای از بین بردن سلول‌های سرطانی کافی است؛ حتی اگر مهار یکی از آنها به تنهایی انجام نشود. پژوهشگران دریافتند داروهایی که آنها تولید کرده‌اند، فعالیت قابل توجهی را در برابر MEK1 و mTOR دارند اما واکنش‌های خارج از هدف کمی را با سایر پروتئین‌ها نشان دادند. این نشان می‌دهد که یک یا چند داروی شناسایی‌شده توسط POLYGON می‌توانند هر دو پروتئین را به‌عنوان درمان سرطان هدف قرار دهند و فهرستی از گزینه‌ها را برای تنظیم دقیق توسط شیمی‌دان‌های انسانی ارائه کنند. ایدکر گفت: پس از دریافت داروها هنوز باید کارهای شیمیایی دیگری را انجام دهید تا آن گزینه‌های دارویی را به صورت یک درمان واحد و مؤثر درآورید. ما نمی‌توانیم و نباید سعی داشته باشیم تا تخصص انسانی را از روند کشف دارو حذف کنیم، بلکه باید چند مرحله از این فرآیند را کوتاه کنیم. به رغم این احتیاط، دانشمندان نسبت به قابلیت‌های هوش مصنوعی برای کشف دارو خوش‌بین هستند. آیدکر افزود: دیدن چگونگی اجرایی شدن این مفهوم در دهه آینده چه در دانشگاه و چه در بخش خصوصی بسیار هیجان‌انگیز خواهد بود. قابلیت‌های هوش مصنوعی عملا بی‌پایان هستند. این پژوهش در مجله «Nature Communications» به چاپ رسید.

بوی بد دهان که به آن هالیتوز نیز گفته می‌شود، می‌تواند خجالت‌آور باشد و در برخی موارد حتی ممکن است باعث اضطراب شود. جای تعجب نیست که قفسه‌های فروشگاه‌ها مملو از آدامس نعناع، ​​دهان شویه و سایر محصولات برای مبارزه با بوی بد دهان هستند. اما بسیاری از این محصولات تنها اقدامات کوتاه مدت هستند. به این دلیل است که آن‌ها به علت مشکل رسیدگی نمی‌کنند. برخی از غذاها، شرایط سلامتی و عادات از جمله دلایل بوی بد دهان هستند. در بسیاری از موارد، با تمیز نگه داشتن دهان و دندان‌های خود می‌توانید بوی بد دهان را بهتر کنید. اگر خودتان نمی‌توانید بوی بد دهان را حل کنید، به دندانپزشک یا یک متخصص مراجعه کنید تا مطمئن شوید که یک بیماری جدی‌تر باعث ایجاد آن نمی‌شود. هالیتوز چیست؟ هالیتوزیس یک مشکل بهداشت دهان و دندان است که علامت اصلی آن بوی بد دهان است. در بیشتر موارد، یافتن علت بوی بد دهان اولین قدم برای درمان این بیماری قابل پیشگیری است. چه چیزی باعث بوی بد دهان می‌شود؟ دلایل زیادی برای بوی بد دهان وجود دارد، همانطور که منابع باکتریایی زیادی در دهان وجود دارد. هالیتوز ممکن است به دلایل زیر ایجاد شود: غذاهای خاص: چیزهایی که می‌خورید با سلامت دهان و دندان شما از جمله تنفس شما مرتبط است. اقلامی مانند سیر و پیاز یا هر ماده غذایی جذب جریان خون می‌شود. تا زمانی که آن غذا از بدن خارج نشود، این پتانسیل را دارد که بر تنفس شما تأثیر بگذارد. مراقبت‌های بهداشتی دهان و دندان ضعیف: بدون مسواک زدن و نخ دندان کشیدن صحیح و منظم و معاینات روتین دندان، غذا در دهان باقی می‌ماند. دهان محل رشد باکتری هاست. غذایی که روی دندان‌ها، لثه‌ها و زبان جمع می‌شود، ممکن است پوسیده شود. که باعث ایجاد بو و طعم نامطبوع در دهان می‌شود. تمیز کردن نامناسب دندان مصنوعی: پروتزهایی که به درستی تمیز نمی‌شوند ممکن است باکتری‌ها، قارچ‌ها و ذرات باقی مانده غذا را جمع آوری کنند که باعث بوی بد دهان می‌شود. باکتری‌های ایجاد کننده بو روی زبان: برخی از باکتری‌ها در پشت زبان می‌توانند با اسیدهای آمینه موجود در غذاها تعامل داشته و ترکیبات گوگردی بدبو تولید کنند. بیماری پریودنتال: یکی از علائم اصلی این بیماری لثه، بوی بد دهان، و طعم نامطبوع در دهان است. این وضعیت نیاز به مراقبت فوری توسط متخصص بهداشت دهان و دندان دارد. خشکی دهان: این وضعیت اغلب یک بخش کلیدی از هالیتوزیس است. هنگامی که تولید بزاق کاهش می‌یابد، دهان نمی‌تواند خود را تمیز کند و مواد زائد و ذرات باقی مانده از غذا را حذف کند. خشکی دهان ممکن است در اثر برخی داروها، اختلال غدد بزاقی، یا تنفس همیشه از دهان به جای بینی ایجاد شود. آـآآب ریزش از عقب بینی: این حالت به دلیل مخاط بیش از حد اتفاق می‌افتد، و به وضعیتی گفته می‌شود که در آن ترشحات مخاطی از بینی به پشت گلو می‌رود (و بلعیده می‌شود). این به طور مستقیم روی تنفس تاثیر می‌گذارد، چون این ترشحات یک منبع غذایی عالی برای باکتری‌ها و در نتیجه انتشاز گازهای بد بو هستند. گذشته از ارتباط خلط پشت حلق و بوی بد دهان، این اتفاق عارضه‌های دیگری از جمله سرفه، گلودرد، آبریزش و گرفتگی بینی هم دارد. محصولات تنباکو: محصولات تنباکو مانند سیگار، سیگار برگ، تنباکوی بدون دود و سایر موارد دندان ها را لکه دار می‌کنند و بدن را در معرض خطر بیماری‌های زیادی قرار می‌دهند. و به ایجاد بوی بد دهان نیز کمک می‌کنند. مصرف کنندگان دخانیات نیز در معرض خطر بیشتری برای موارد زیر هستند: بیماری پریودنتال از دست دادن توانایی چشایی لثه‌های تحریک شده سرطان دهان در بعضی موارد مشکلاتی در وضعیت سلامتی دهان ممکن است نشانه یکی از شرایط زیر باشد. برای تشخیص به پزشک مراجعه کنید: یک عفونت تنفسی عفونت بینی، نای یا ریه‌ها برونشیت مزمن سینوزیت مزمن دیابت یک اختلال گوارشی یک اختلال کبدی یا کلیوی   علائم هالیتوز چیست؟ علامت اصلی بوی بد دهان، بوی بد دهان است که فراتر از حد قابل قبول اجتماعی در نظر گرفته می‌شود. این بو می‌تواند در صبح یا بعد از سیگار کشیدن، نوشیدن قهوه یا خوردن برخی غذاها مانند سیر بدتر شود. ویژگی‌های هالیتوز می‌تواند شامل موارد زیر باشد: یک پوشش سفید روی زبان به خصوص در پشت زبان دهان خشک بوی بد دهان صبحگاهی و سوزش زبان بزاق غلیظ و نیاز دائمی به پاکسازی گلو طعم ترش و تلخ فلزی در دهان ابتلا به هالیتوزیس می‌تواند تاثیر زیادی بر روی فرد داشته باشد. به دلیل بوی بد دهان، افراد دیگر ممکن است عقب بروند یا سر خود را برگردانند. این می‌تواند باعث از دست دادن اعتماد به نفس و عزت نفس در فرد شود. هالیتوز چگونه تشخیص داده می‌شود؟ دندانپزشکان اغلب هالیتوز را تشخیص می‌دهند. تشخیص بر اساس شرح حال و بوی دهان فرد در طول معاینه دندان است. کل دهان بررسی می‌شود تا علتی مانند عفونت پیدا شود، اگر دندانپزشک نتواند علت را پیدا کند، شما را به یک متخصص مناسب ارجاع می‌دهد. بوی بد دهان درمان دارد؟ درمان بستگی به این دارد که چه چیزی باعث ایجاد مشکل شده است. اجتناب از کم آبی بدن و رعایت بهداشت دهان و دندان از جمله مسواک زدن و نخ دندان کشیدن بسیار مهم است. برخی از دهان شویه‌ها، قرص‌ها و خمیردندان‌ها می‌توانند به مبارزه با بوی بد دهان کمک کنند. درمان مشکلات پزشکی اساسی مانند عفونت سینوس‌ها یا بیماری کلیوی نیز می‌تواند به بهبود بوی بد نفس کمک کند. در صورتی که خشکی دهان باعث ایجاد بو و مشکل هالیتوز شود، دندانپزشک ممکن است توصیه کند آب زیادی بنوشید و یا از داروها و موادی که ترشح بزاق را افزایش می‌دهند، استفاده کنید. چگونه می‌توانم از بوی بد دهان جلوگیری کنم؟ حداقل دو بار در روز دندان‌های خود را مسواک بزنید و نخ دندان بکشید. زبان، گونه‌ها و سقف دهان خود را مسواک بزنید. بیشتر باکتری‌های بوی بد دهان، روی زبان زندگی می‌کنند. بنابراین، مسواک زدن یا خراش دادن زبان می‌تواند تفاوت زیادی در تنفس شما ایجاد کند. اگر دندان مصنوعی دارید، آن‌ها را شب بیرون بیاورید و قبل از قرار دادن دوباره در دهان، آن‌ها را کاملا تمیز کنید. قبل از استفاده از اسپری‌ها یا قرص‌های خوشبو کننده با دندانپزشک خود صحبت کنید. برخی فقط برای مدت کوتاهی بو را پنهان می‌کنند. اگر سیگار می‌کشید، آن را ترک کنید. دهان شما بوی بهتری خواهد داشت و در کل بدن سالم تری خواهید داشت. با خوردن غذاهای سالمی که باعث جویدن می‌شوند، بزاق خود را روان نگه دارید. زردک و سیب به بزاق زیادی نیاز دارند. همچنین می‌توانید آدامس‌های بدون قند بجوید یا آب نبات‌های بدون قند بمکید. اگر هنوز بزاق کافی برای مرطوب نگه داشتن دهان خود ندارید، ممکن است دندانپزشک بزاق مصنوعی را به شما پیشنهاد دهد. به طور منظم به دندانپزشک مراجعه کنید. معاینات منظم می‌تواند مشکلاتی مانند بیماری لثه، عفونت و خشکی دهان را پیدا کند.  نویسنده: داکتر معصومه پارسا

پژوهشگران «دانشگاه پرینستون»، یک مدل زبانی را آموزش داده‌اند و از آن برای بررسی توالی‌های ژنوم استفاده کرده‌اند تا بیماری‌ها را رمزگشایی کنند. همان هوش مصنوعی که موفقیت آن در به کار بردن نرم‌افزار کدنویسی و قبولی در آزمون وکالت سرفصل خبرها شد، یاد گرفته است که نوع دیگری از متن را بخواند. این متن جدید حاوی کد ژنتیکی است. کد ژنتیکی حاوی دستورالعمل‌هایی برای همه عملکردهای زندگی است و از قوانینی پیروی می‌کند که بی‌شباهت به زبان‌های انسانی نیستند. هر توالی در ژنوم به یک دستور زبان پیچیده و ساختارهایی پای‌بند است که معنی را ایجاد می‌کنند. همان طور که تغییر کردن چند کلمه می‌تواند تاثیر یک جمله را به شدت تغییر دهد، تغییرات کوچک در یک دنباله بیولوژیکی نیز می‌توانند تفاوت بزرگی را در عناصر رمزگذاری‌کننده دنباله ایجاد کنند. اکنون پژوهشگران دانشگاه پرینستون به سرپرستی منگدی وانگ، کارشناس یادگیری ماشینی این دانشگاه، از مدل‌های زبانی برای بررسی توالی‌های ژنوم جزئی استفاده کرده‌اند و آنها را برای مطالعه زیست‌شناسی و بهبود پزشکی به کار برده‌اند. پژوهشگران در مقاله خود، یک مدل زبانی را شرح داده‌اند که از قدرت بازنمایی معنایی خود برای طراحی واکسن آران‌ای پیام‌رسان مؤثرتری مانند واکسن‌های کووید-۱۹ استفاده می‌کند. دانشمندان یک راه ساده را برای خلاصه کردن جریان اطلاعات ژنتیکی دارند. آنها آن را دگم مرکزی زیست‌شناسی می‌نامند. اطلاعات از DNA به RNA و سپس به پروتئین‌ها حرکت می‌کنند. پروتئین‌ها ساختار و عملکرد سلول‌های زنده را ایجاد می‌کنند. آران‌ای پیام‌رسان، اطلاعات را در مرحله نهایی که مرحله تبدیل است، به پروتئین تبدیل می‌کند، اما فقط بخشی از آران‌ای پیام‌رسان حاوی کد پروتئین است. بقیه اطلاعات تبدیل نمی‌شوند اما جنبه‌های حیاتی فرآیند تبدیل را کنترل می‌کنند. نظارت بر کارآیی تولید پروتئین، یک مکانیسم کلیدی است که واکسن‌های مبتنی بر آران‌ای پیام‌رسان توسط آن کار می‌کنند. پژوهشگران دانشگاه پرینستون، مدل زبانی خود را روی منطقه تبدیل‌نشده متمرکز کردند تا ببینند چگونه می‌توانند کارآیی واکسن‌ها را بهبود ببخشند. پژوهشگران پس از آموزش دادن مدل روی انواع کوچکی از گونه‌ها، صدها توالی بهینه‌سازی‌شده جدید تولید کردند و آن‌ها را از طریق بررسی‌های آزمایشگاهی مورد تایید قرار دادند. بهترین توالی‌ها توانستند بهتر از چندین معیار پیشرو برای توسعه واکسن عمل کنند؛ از جمله افزایش ۳۳ درصدی که در بازدهی کلی تولید پروتئین به همراه آوردند. به گفته پژوهشگران، افزایش راندمان تولید پروتئین حتی به مقدار کم، یک تقویت عمده برای درمان‌های نوظهور است. واکسن‌های آران‌ای پیام‌رسان فراتر از کووید-۱۹، وعده محافظت در برابر بسیاری از بیماری‌های عفونی و سرطان را نیز نوید می‌دهند. وانگ گفت که موفقیت این مدل به احتمال اساسی‌تری نیز اشاره دارد. این مدل زبانی پس از آموزش دیدن با آران‌ای پیام‌رسان گونه‌های انگشت شماری توانست توالی‌های نوکلئوتیدی را رمزگشایی کند و اطلاعات جدیدی را در مورد تنظیم ژن آشکار سازد. دانشمندان بر این باورند که تنظیم ژن، یکی از اساسی‌ترین عملکردهای زندگی است و می‌تواند کلید کشف منشاء بیماری و اختلال باشد. مدل‌های زبانی از این دست می‌توانند راه جدیدی را برای بررسی تنظیم ژن ارائه دهند. زبان بیماری مدل زبانی جدید به جای آموزش دیدن روی میلیاردها صفحه متن از اینترنت، روی چند صد هزار توالی آموزش داده شد. همچنین، این مدل با اطلاعات بیشتری درباره تولید پروتئین‌ها، از جمله اطلاعات ساختاری و مرتبط با انرژی آموزش دید. پژوهشگران از مدل آموزش‌دیده برای ایجاد مجموعه‌ای از ۲۱۱ توالی جدید استفاده کردند. پروتئین‌های مورد استفاده مانند پروتئین خوشه‌ای که توسط واکسن‌های کووید-۱۹ هدف قرار می‌گیرد، واکنش ایمنی را به سوی بیماری‌های عفونی هدایت می‌کنند. پژوهش‌های پیشین، مدل‌های زبانی را برای رمزگشایی توالی‌های بیولوژیکی گوناگون از جمله پروتئین‌ها و DNA ایجاد کرده‌اند، اما این اولین مدل زبانی است که بر ناحیه تبدیل‌نشده آران‌ای پیام‌رسان تمرکز دارد. علاوه بر افزایش کارآیی کلی، این مدل ‌توانست پیش‌بینی کند که عملکرد یک توالی در انواع وظایف مرتبط چقدر خوب است. وانگ خاطرنشان کرد که بررسی یک مجموعه داده محدود و ایجاد مدلی براساس آن برای دانشمندان جویای حیات کافی نیست و باید یک کار جدید انجام شود. وی افزود: آموزش دادن یک مدل فقط کنار هم قرار دادن همه توالی‌ها نیست، بلکه کنار هم قرار دادن همه بخش‌هایی است که تاکنون جمع آوری شده‌اند. این کار پیشتر انجام نشده بود. این پژوهش در مجله «Nature Machine Intelligence» به چاپ رسید.