دکتر فهیمه قاسمی

کشف و توسعه مولکول دارویی جدید یک فرآیند طولانی 10 تا 17 ساله است و نمی‌تواند موفقیت مولکول دارو را تضمین کند. از طرفی استفاده مجدد از دارو که با نام تغییر هدف دارو نیز شناخته می‌شود، باعث افزایش سرعت روند کشف دارو و همچنین کاهش سمیت و بهبود اثربخشی درمانی می‌شود. این فرآیند شامل شناسایی نشانه‌های درمانی بالقوه جدید از داروهای ناموفق و یا داروهای موجود در بازار و استفاده از آن‌ها برای نشانه‌های دیگر غیر از نشانه‌های درمانی اولیه دارو است. مزیت اصلی رویکردهای تغییر هدف دارو این است که برای یک داروی موجود، نه‌تنها اطلاعات پیش بالینی، بلکه پروفایل‌های بالینی (فارماکوکینتیک، فارماکودینامیک و سمیت)، از قبل در دسترس است، بر این اساس، ترکیب دارویی می‌تواند به سرعت وارد آزمایشات بالینی در مراحل آخر شود و هزینه و زمان را کاهش دهد. با این وجود، با توجه به حجم وسیع ترکیبات دارویی ثبت شده در پایگاه‌های داده، بررسی آن‌ها کار دشواری بوده و به صرف زمان و هزینه زیادی نیاز دارد. بنابراین بنظر می‌رسد بکارگیری روش‌های هوش مصنوعی، راه حل مناسبی جهت صرفه‌جویی در وقت و هزینه بمنظور بررسی مجدد داروهای موجود برای کشف درمان‎های جدید می‌باشد که هزینه‌های توسعه دارو را تا حد زیادی کاهش می‌دهد. در این پروژه برآنیم تا با استفاده از روشهای مبتنی بر هوش مصنوعی و یادگیری ماشین ترکیبات جدید دارویی در مهارگیرنده VEGFR2 که از گیرنده های مهم در رشد تومرهای سرطانی میباشد، شناسایی شود.