Machine learning vs. field 3D-QSAR models for serotonin 2A receptor psychoactive substances identification

يهدف هذا المشروع البحثي إلى توظيف تقنيات الذكاء الاصطناعي (AI) والنمذجة الجزيئية (QSAR) للتنبؤ بفعالية المواد النفسية الجديدة (New Psychoactive Substances) وتأثيرها على مستقبلات السيروتونين (5-HT2A) دون الحاجة لإجراء تجارب مخبرية مكلفة وطويلة.

المنهجية والأدوات المستخدمة:

بناء النماذج: تم تطوير 5 نماذج QSAR باستخدام مجموعة بيانات تضم 375 مركباً كيميائياً (Ligands) من قاعدة بيانات .ChEMBL

الخوارزميات: استخدام خوارزميات تعلم الآلة المتقدمة (Machine Learning) بما في ذلك: SVM, KNN, Random Forest, RVM للمقارنة بين دقتها.

التحقق الإحصائي: تقسيم البيانات إلى مجموعة تدريب (80%) ومجموعة اختبار (20%) لضمان دقة النتائج.

أهم النتائج:

أثبت نموذج SVM أعلى دقة تنبؤية مقارنة بالنماذج الأخرى.

نجح النموذج في تصنيف وتوقع فعالية 29 مادة نفسية جديدة (NPS) بدقة عالية (R2 = 0.7799).

توفير خرائط ثلاثية الأبعاد (3D-QSAR Visualization) توضح التفاعلات الفراغية والكهروستاتيكية للمركبات مع المستقبلات.

القيمة المضافة:

تكمن أهمية هذا البحث في تسريع عملية اكتشاف الأدوية العلاجية الجديدة، وتوفير أداة قوية للمختبرات الجنائية للكشف عن المواد المخدرة الجديدة وتصنيفها رقمياً (In Silico) قبل توفر المعايير المخبرية لها.