การพัฒนาแบบจำลองปัญญาประดิษฐ์แบบ 4 in 1 เพื่อทำนายและจำแนกค่าความเป็นพิษหลักของยาที่มีผลต่อร่างกายมนุษย์โดยอาศัยข้อมูลโครงสร้างโมเลกุลยาและ Stacking Ensemble Learning
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
สุรพงษ์ บุญสม, ชยพล แก้วชัยเจริญกิจ, ปาณิศรา ชำนาญศิลป์
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
สาโรจน์ บุญเส็ง, ธราพงษ์ ศรีสงคราม
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
ความเป็นพิษของยา (Drug toxicity) บ่งชี้ถึงผลกระทบในเชิงลบต่อสิ่งมีชีวิตหรือส่วนประกอบต่าง ๆของสิ่งมีชีวิตเมื่อมีการกระทำใดๆต่อยา การวัดค่าความเป็นพิษของยาจึงเป็นกระบวนการที่สำคัญมากต่อกระบวนการคิดค้นและพัฒนายา ซึ่งต้องใช้เวลาโดยเฉลี่ย 12-15 ปีและมีค่าใช้จ่ายสูงถึง 2,300 ล้านเหรียญสหรัฐ อีกทั้งยังมียาอีกมากมายที่ล้มเหลวก่อนถูกนำมาใช้รักษาจริงเนื่องจากติดปัญหาเรื่องความเป็นพิษ และที่สำคัญที่สุด ในการทดสอบค่าความเป็นพิษของยา จะต้องใช้สัตว์ทดลองเป็นจำนวนมาก ซึ่งขัดต่อเป้าหมายการพัฒนาที่ยั่งยืน (Sustainable Development Goals: SDGs) ข้อที่ 15 ที่มุ่งเน้นปกป้อง ฟื้นฟู และสนับสนุนการใช้ระบบนิเวศบนบกอย่างยั่งยืน และหยุดการสูญเสียความหลากหลายทางชีวภาพ นักวิจัยจึงสร้างโมเดลการเรียนรู้ของเครื่องเพื่อช่วยเพิ่มประสิทธิภาพของกระบวนการวัดค่าความเป็นพิษของยา ลดระยะเวลา ลดค่าใช้จ่าย และลดจำนวนการใช้สัตว์ทดลองในการทดสอบความเป็นพิษของยาด้วยวิธีการนำผลลัพธ์ของหลายโมเดลมารวมกัน (Stacking Ensemble Learning) เพื่อทำนายค่าความเข้มข้นของยาที่มีฤทธิ์ยับยั้งการทำงานของเซลล์ในร่างกายร้อยละ 50 (negative log half-maximal inhibitory concentration value หรือ pIC50) ซึ่งสามารถใช้บ่งชี้ความเป็นพิษต่อร่างกายมนุษย์ 3 เป้าหมายหลัก ได้แก่ ระบบหัวใจ (Cardiotoxicity) ไต (Nephrotoxicity) และระบบภูมิคุ้มกัน (Immunotoxicity) พร้อมใช้โมเดลนี้เพื่อจำแนกความเป็นพิษในชุดข้อมูลของการกลายพันธุ์ (Mutagenicity) โดยการวิจัยในครั้งนี้นำข้อมูลยามาจากฐานข้อมูล ChEMBL Benchmark Dataset และใช้ข้อมูลของโครงสร้างของยา จาก Fingerprints ทั้ง 12 ชนิดจาก PaDEL-Descriptor เป็นตัวแปรต้นเพื่อทำนายและจำแนกความเป็นพิษซึ่งเป็นตัวแปรตาม โดยวัดประสิทธิภาพของโมเดลจากหาค่าตัวชี้วัดประสิทธิภาพพร้อมเปรียบเทียบประสิทธิภาพกับโปรแกรม ADMET ที่เป็นที่นิยมในปัจจุบัน โดยผลการวิจัยนี้สามารถนำไปช่วยเพิ่มความหลากหลายของตัวยาที่มีความปลอดภัยออกสู่ตลาดมากขึ้นต่อไป