Control Systems and Computers

https://doi.org/10.15407/csc.2023.04.039

Tarasich Yu.H., Soloshenko H.O. Neurosymbolic Approach in Biological Research. Control Systems and Computers. 2022. № 4. С. 39-51 

Ю.Г. Тарасіч, доктор філософії, докторант, Інститут кібернетики імені В.М. Глушкова НАН України, ORCID: https://orcid.org/0000-0002-6201-4569, Scopus Author ID 56436890300, 03187, м. Київ, просп. Академіка Глушкова, 40, Україна, yutarasich@gmail.com

Г.О. Солошенко, аспірант, Херсонський державний університет, Україна, ORCID: https://orcid.org/0000-0001-9622-310X; Scopus Author ID 57878437800, 73000, м. Херсон, вул. Університетська, 27, Україна, hannasoloshenko@gmail.com

НЕЙРОСИМВОЛЬНИЙ ПІДХІД У БІОЛОГІЧНИХ ДОСЛІДЖЕННЯХ

Вступ. Моделювання та вивчення процесів і методів регуляції міжклітинних та внутрішньоклітинних сигнальних каскадів, що беруть участь у процесі запрограмованої загибелі клітин, та пошук речовин, здатних впливати на активацію чи гальмування процесу апоптозу клітин та способів їх транспортування до заданої клітини, є однією з багатьох актуальних і відкритих проблем біологічних досліджень.

Мета. Пошук методів для створення ліків та пошук ефективних методів лікування.

Методи. Безпечним і швидким методом вирішення даних задач, який не потребує дослідження живих організмів, є комп’ютерне молекулярне моделювання. За останнє десятиліття було запропоновано та розроблено багато підходів та інструментів. До таких методів належать сучасні методи штучного інтелекту (ШІ), засновані на технології нейронних мереж, і методи моделювання взаємодій у біологічних і хімічних процесах на різних рівнях абстракції. Нейронні мережі використовуються для отримання представлення лігандів, білкових сполук тощо, а також для побудови прогнозних моделей властивостей молекулярних сполук, які широко використовуються в дослідженнях відкриття ліків. Методи моделювання як для неперервних, так і для дискретних моделей застосовуються з використанням різних підходів: статистичного, імовірнісного, імітаційного та візуального. Найбільш відомі та використовувані методи молекулярного моделювання включають метод докінгу, метод молекулярної динаміки та метод Монте-Карло.

Результати. На сьогоднішній день розроблено багато програмних засобів, які підтримують перлічені методи, проте розглянуті підходи та інструменти моделювання мають низку недоліків, що може мати критичне значення для проведення експериментів. У статті представлено новий підхід до моделювання біохімічних процесів та біологічних систем, заснований на формалізмі алгебри поведінки та алгебраїчної мови моделювання APLAN у поєднанні з нейромережевими методами, так званий нейросимвольний підхід. Зокрема, розглядається можливість багаторівневого моделювання (від рівня атомної будови речовин і квантово-механічних взаємодій до рівня взаємодії біологічних об’єктів) та моделювання біологічних систем як складних гібридних систем, що поєднують дискретні та безперервні процеси. Також було представлено короткий огляд сучасних досліджень використання нейромережевих методів у біологічних дослідженнях.

 Завантажити повний текст в PDF (українською).

Ключові слова: молекулярне моделювання, алгебраїчне моделювання, методи нейронних мереж, штучний інтелект, моделювання біологічних експериментів, моделювання апоптозу клітин.

1. Pande, V., Tran, A., 16 Open Problems in Engineering Biology, [online]. Available at: <https://a16z.com/16-open-problems-in-engineering-biology/>[Accessed 01 Nov. 2023].
2. Top Five Open Problems in Bioinformatics (2021), [online]. Available at: <https://homolog.us/blogs/bioinfo/2021/07/12/open-problems-bioinformatics/> [Accessed 01 Nov. 2023].
3. Open problems in single-cell analysis, [online]. Available at: <https://openproblems.bio/> [Accessed 01 Nov. 2023].
4. Lähnemann, D., Köster, J., Szczurek, E. et al., 2020. “Eleven grand challenges in single-cell data science”. Genome Biol 21(31).
5. Jones, B., 2017. “Clinical radiobiology of proton therapy: modeling of RBE”. Acta Oncologica, 56(11), pp. 1374-1378.
   https://doi.org/10.1080/0284186X.2017.1343496
6. Chen, Y., Ahmad, S., 2011. “Empirical model estimation of relative biological effectiveness for proton beam therapy”. Radiation Protection Dosimetry, 149 (2), pp. 116-123.
   https://doi.org/10.1093/rpd/ncr218
7. Dahle,, T. J., Rykkelid, A. M., Stokkevåg, C. H., Mairani, A., Görgen, A., Edin, N. J., Rørvik, E., Fjæra, L. F., Malinen, E., Ytre-Hauge, K. S., 2017. “Monte Carlo simulations of a low energy proton beamline for radiobiological experiments”. Acta oncologica (Stockholm, Sweden), 56(6), pp. 779-786.
   https://doi.org/10.1080/0284186X.2017.1289239
8. Mathpal, D., Masand, M., Thomas, A., Ahmad, I., Saeed, M., Zaman, G.S., Kamal, M., Jawaid, T., Sharma, P.K., Gupta, M.M., Kumar, S., Srivastava, S.P., Balaramnavar, V.M., 2021. “Pharmacophore modeling, docking and the integrated use of a ligand- and structure-based virtual screening approach for novel DNA gyrase inhibitors: synthetic and biological evaluation studies”. RSC Advances. Vol. 11(55), pp. 34462-34478.
   https://doi.org/10.1039/D1RA05630A
9. Lin, X., Li, X., Lin, X., 2020. “A Review on Applications of Computational Methods in Drug Screening and Design”. Molecules, vol. 25(6):1375.
   https://doi.org/10.3390/molecules25061375
10. Beentjes, C.H.L., Baker, R.E., 2019. “Quasi-Monte Carlo Methods Applied to Tau-Leaping in Stochastic Biological Systems”. Bull Math Biol, vol. 81, pp. 2931-2959.
    https://doi.org/10.1007/s11538-018-0442-2
11. Bitencourt-Ferreira, G., Pintro, V., de Azevedo, W., 2019. “Docking with AutoDock4”. Methods in Molecular Biology, pp. 125-148.
    https://doi.org/10.1007/978-1-4939-9752-7_9
12. Hughes-Oliver, J.M., Brooks, A.D., Welch, W.J., Khaledi, M.G., Hawkins, D., Young, S.S., Patil, K, Howell, G.W., Ng, R.T., Chu, M.T., 2012. “ChemModLab: a web-based cheminformatics modeling laboratory”. In Silico Biol, 11(1-2), pp. 61-81.
13. Morency, L., Gaudreault, F. and Najmanovich, R., 2018. “Applications of the NRGsuite and the Molecular Docking Software FlexAID in Computational Drug Discovery and Design”. Methods in Molecular Biology, pp. 367-388.
    https://doi.org/10.1007/978-1-4939-7756-7_18
14. Pirhadi, S., Sunseri, J., Koes, D., 2016. “Open source molecular modeling”. Journal of Molecular Graphics and Modelling, 69, pp. 127-143.
    https://doi.org/10.1016/j.jmgm.2016.07.008
15. Liu, K., Sun, X., Jia, L., Ma, J., Xing, H., Wu, J., Gao, H., Sun, Y., Boulnois, F., Fan, J, 2019. “Chemi-Net: A Molecular Graph Convolutional Network for Accurate Drug Property Prediction”. Int. J. Mol. Sci., 20, 3389.
    https://doi.org/10.3390/ijms20143389
16. Das, B., Mucahit Kutsal, Resul Das, 2022. “Effective prediction of drug-target interaction on HIV using deep graph neural networks”. Chemometrics and Intelligent Laboratory Systems, 230, 104676.
    https://doi.org/10.1016/j.chemolab.2022.104676
17. Shtar, G, Rokach, L, Shapira, B, 2019. “Detecting drug-drug interactions using artificial neural networks and classic graph similarity measures”. PLoS ONE, 14(8): e0219796.
    https://doi.org/10.1371/journal.pone.0219796
18. Ramsundar, B, Liu, B, Wu, Z, Verras, A, Tudor, M, Sheridan, RP, Pande, V., 2017. “Is Multitask Deep Learning Practical for Pharma?”. J Chem Inf Model, 57(8), pp. 2068-2076.
    https://doi.org/10.1021/acs.jcim.7b00146
19. Pineda, J., Midtvedt, B., Bachimanchi, H. et al., 2023. “Geometric deep learning reveals the spatiotemporal features of microscopic motion”. Nat Mach Intell 5, pp. 71-82.
    https://doi.org/10.1038/s42256-022-00595-0
20. Li, X, Xu, Y, Lai, L, Pei, J, 2018. Prediction of Human Cytochrome P450 Inhibition Using a Multitask Deep Autoencoder Neural Network. Mol Pharm, 15(10), pp. 4336-4345.
    https://doi.org/10.1021/acs.molpharmaceut.8b00110
21. Sharma, M., Deswal, S., 2022. “Drugs-Protein affinity‐score prediction using deep convolutional neural network”. Expert Systems, 39(10), e13154.
    https://doi.org/10.1111/exsy.13154
22. Kuenzi, B.M., et all., 2020. “Predicting drug response and synergy using a deep learning model of human cancer cells”. J Elsevier Cancer Cell, 38(5):, pp.1535-6108.
    https://doi.org/10.1016/j.ccell.2020.09.014
23. Gentile, F., Yaacoub, J. C., Gleave, J., Fernandez, M., Ton, A. T., Ban, F., … & Cherkasov, A., 2022. “Artificial intelligence-enabled virtual screening of ultra-large chemical libraries with deep docking”. Nature Protocols, 17(3), pp. 672-697.
    https://doi.org/10.1038/s41596-021-00659-2
24. Letychevskyi, O., Tarasich, Y., Peschanenko, V., Volkov, V., Sokolova, H., 2022. “Algebraic Modeling of Molecular Interactions”. Communications in Computer and Information Sciencethis link is disabled, 1635 CCIS, pp. 379-387.
    https://doi.org/10.1007/978-3-031-14841-5_25
25. AI drug discovery: assessing the first AI-designed drug candidates to go into human clinical trial, [online]. Available at: <shttps://www.cas.org/resources/cas-insights/drug-discovery/ai-designed-drug-candidates>[Accessed 01 Nov. 2023].
26. Insertion Model Creator system, [online]. Available at <https://rd.litsoft.com.ua/> [Accessed 01 Nov. 2023].
27. Letychevskyi, O., Peschanenko, V., Poltoratskyi, M., Tarasich, Yu., 2020. “Platform for modeling of algebraic behavior: Experience and conclusions”. CEUR Workshop Proceedings, 2732, pp. 42-57.
28. Letichevsky, A., Gilbert, D., 1999. “A Model for Interaction of Agents and Environments”. In: Bert D., Choppy C., Mosses P.D. (eds) Recent Trends in Algebraic Development Techniques., WADT 1999, LNCS, vol. 1827, pp. 311-328.
    https://doi.org/10.1007/978-3-540-44616-3_18
29. Letychevskyi, O., Peschanenko, V., Volkov, V., 2022. Algebraic Virtual Machine and Its Applications. Communications in Computer and Information ScienceThis link is disabled., 1698 CCIS, pp. 23-41.
    https://doi.org/10.1007/978-3-031-20834-8_2

Надійшла 22.09.2023