แบบจำลองการเรียนรู้เชิงลึกในการทำนายฤทธิ์ทางชีวภาพของยาต่อโปรตีนเป้าหมาย PCSK9 โดยใช้กลศาสตร์ควอนตัมควบคู่กับโครงสร้างโมเลกุลยา เพื่อใช้ในการการออกแบบยารักษาโรคหลอดเลือดหัวใจตีบในอนาคต
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
นิตา จงไกรจักร, กิตติภพ เขียนสา, ชนทิวา ชนม์ชนกบุญ
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
สาโรจน์ บุญเส็ง, ธนัชกฤศ แก้วเต็ม
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
ตามรายงานขององค์การอนามัยโลก (WHO) พบว่าโรคหลอดเลือดหัวใจตีบเป็นสาเหตุการเสียชีวิตอันดับต้น ๆ ของผู้คนทั่วโลก โดยการรักษาโรคหลอดเลือดหัวใจตีบสามารถใช้ยาที่มีอยู่ในปัจจุบันรักษาได้เพียงอาการในขั้นต้น ซึ่งการคิดค้นยาใหม่ที่มีประสิทธิภาพและได้รับการยอมรับนั้นใช้เวลานานรวมถึงงบประมาณจำนวนมาก เพื่อเป็นการลดระยะเวลาและต้นทุนในกระบวนการสังเคราะห์ยา การเรียนรู้เชิงลึกจึงเข้ามามีบทบาทสำคัญในอุตสาหกรรมยามากขึ้น อย่างไรก็ตามการพิจารณาเพียงโครงสร้างของโมเลกุลยานั้น ทำให้การทำนายค่าฤทธิ์ทางชีวภาพของแบบจำลองมีประสิทธิภาพไม่เพียงพอ จากปัญหาที่กล่าวมาข้างต้น คณะผู้จัดทำจึงได้พัฒนาแบบจำลองการเรียนรู้เชิงลึกแบบโครงข่ายประสาทเทียมที่ใช้เทคนิค Multi-input Deep Learning โดยการพิจารณาข้อมูลกลศาสตร์ควอนตัมร่วมกับโครงสร้างโมเลกุลยา เพื่อทำนายฤทธิ์ทางชีวภาพ (pIC50) ของยาต่อโปรตีนเป้าหมาย PCSK9/NARC-1 จากการศึกษาพบว่าพลังงานทางกลศาสตร์ควอนตัมของยาที่มีโครงสร้างคล้ายกันมีความสัมพันธ์กับค่าฤทธิ์ทางชีวภาพของยาต่อโปรตีนเป้าหมาย PCSK9/NARC-1 นอกจากนี้แบบจำลองการเรียนรู้เชิงลึกที่มีการใช้ข้อมูลกลศาสตร์ควอนตัมควบคู่กับโครงสร้างโมเลกุลยาในรูปแบบ Extended Connectivity Fingerprint (ECFP) ให้ค่า R^2 = 0.2865 และค่า MSE = 1.7031 โดยมีประสิทธิภาพในการทำนายดีกว่า และสามารถลดการเกิด Overfitting ของแบบจำลองการเรียนรู้เชิงลึกที่ใช้เพียงข้อมูลโครงสร้างโมเลกุลยา อย่างไรก็ตามในอนาคตคณะผู้จัดทำจะทำการปรับพารามิเตอร์ของแบบจำลองโดยการใช้ GridSearch ซึ่งจะช่วยทำให้แบบจำลองมีประสิทธิภาพในการทำนายเพิ่มขึ้น และมีความน่าเชื่อถือเพิ่มมากขึ้น โดยแบบจำลองที่พัฒนาขึ้นนี้สามารถนำไปวิเคราะห์ฤทธิ์ทางชีวภาพของยาต่อโปรตีนเป้าหมาย PCSK9/NARC-1 เพื่อลดเวลาและต้นทุนในขั้นตอนการออกแบบยารักษาโรคหลอดเลือดหัวใจตีบในอนาคตได้