داکینگ مولکولی: نگاهی به قلب تپنده نرم‌افزارها (الگوریتم‌های جست‌وجو و امتیازدهی)

در بخش نخست از مجموعه‌ی «مبانی داکینگ مولکولی»، با مفهوم کلی داکینگ، اهداف آن و نقش این روش در طراحی دارو آشنا شدیم. دیدیم که داکینگ چگونه به‌عنوان ابزاری محاسباتی، امکان پیش‌بینی نحوه‌ی اتصال یک لیگاند به گیرنده‌ی زیستی را فراهم می‌کند.

در این بخش، به دو مؤلفه‌ی اصلی در عملکرد نرم‌افزارهای داکینگ، یعنی الگوریتم‌های جست‌وجو (Search Algorithms) و توابع امتیازدهی (Scoring Functions) می‌پردازیم. این دو بخش اساس فرآیند داکینگ را تشکیل می‌دهند و دقت نتایج تا حد زیادی به کیفیت عملکرد آن‌ها وابسته است.

۱. الگوریتم‌های جست‌وجو (Search Algorithms)

هدف الگوریتم‌های جست‌وجو یافتن بهترین موقعیت و جهت‌گیری لیگاند نسبت به گیرنده است؛ به گونه‌ای که انرژی اتصال در آن حالت کمینه باشد.
از آنجا که فضای جست‌وجوی ممکن برای مولکول‌ها بسیار بزرگ است، انتخاب الگوریتم مناسب برای یافتن ساختار بهینه اهمیت زیادی دارد.

الگوریتم‌های جست‌وجو در داکینگ معمولاً به سه گروه اصلی تقسیم می‌شوند:

• روش‌های سیستماتیک (Systematic Methods):
  در این روش‌ها تمام درجات آزادی لیگاند (چرخش‌ها، انتقال‌ها و پیوندهای قابل‌انعطاف) به‌صورت منظم و گام‌به‌گام بررسی می‌شود. این رویکرد جامع و دقیق است، اما برای سیستم‌های بزرگ یا پیچیده از نظر محاسباتی بسیار پرهزینه و زمان‌بر است.

• روش‌های تصادفی (Stochastic Methods):
  این روش‌ها از تصادف هدایت‌شده برای کاوش فضای جست‌وجو استفاده می‌کنند. الگوریتم‌هایی مانند Monte Carlo، Genetic Algorithm و Tabu Search با تولید مجموعه‌ای از ساختارهای تصادفی و انتخاب بهترین آن‌ها بر اساس معیار انرژی، به‌تدریج به سمت حالت بهینه نزدیک می‌شوند. این رویکرد میان دقت و سرعت تعادلی مناسب برقرار می‌کند.

• روش‌های مبتنی بر شبیه‌سازی (Simulation-based Methods):
  این گروه از الگوریتم‌ها از ابزارهای دینامیک مولکولی (Molecular Dynamics) و کمینه‌سازی انرژی (Energy Minimization) بهره می‌گیرند تا رفتار واقعی مولکول‌ها را در طول زمان شبیه‌سازی کنند. با این روش، علاوه بر یافتن حالت بهینه، اطلاعاتی در مورد انعطاف‌پذیری و پویایی سیستم نیز به دست می‌آید.

  ---

   

۲. توابع امتیازدهی (Scoring Functions)

پس از آن‌که الگوریتم جست‌وجو حالت‌های مختلف اتصال را ایجاد کرد، لازم است کیفیت هر یک از آن‌ها ارزیابی شود. این ارزیابی توسط توابع امتیازدهی انجام می‌گیرد.
هدف تابع امتیازدهی، محاسبه‌ی انرژی اتصال (Binding Energy) و تعیین پایداری نسبی هر کمپلکس پروتئین–لیگاند است. به‌طور کلی، هرچه مقدار انرژی اتصال منفی‌تر باشد، پایداری سیستم بیشتر و احتمال وقوع آن در شرایط واقعی بالاتر است.

توابع امتیازدهی بر اساس نوع داده و روش محاسباتی مورد استفاده به چند دسته‌ی اصلی تقسیم می‌شوند:

• روش‌های مبتنی بر دانش (Knowledge-based Methods):
  این توابع بر اساس داده‌های تجربی استخراج‌شده از ساختارهای شناخته‌شده‌ی پروتئین–لیگاند (مانند پایگاه داده‌ی PDB) ساخته می‌شوند. با استفاده از تحلیل آماری برهم‌کنش‌های مشاهده‌شده، الگوهای ترجیحی اتصال استخراج و در ارزیابی ساختارهای جدید به کار گرفته می‌شود.

• روش‌های انرژی‌محور (Energy-based Methods):
  این رویکردها با استفاده از اصول فیزیک مولکولی، انرژی کل سیستم را بر اساس برهم‌کنش‌های الکترواستاتیکی، وان‌دروالس، اثر حلال و تغییر شکل ساختاری محاسبه می‌کنند. این روش از نظر فیزیکی دقیق‌تر است اما ممکن است به توان محاسباتی بالاتری نیاز داشته باشد.

• روش‌های تجربی (Empirical Methods):
  در این روش‌ها، روابط ریاضی بین انرژی اتصال و پارامترهای تجربی مانند تعداد پیوندهای هیدروژنی یا سطح تماس آب‌گریز بر اساس داده‌های آزمایشگاهی تنظیم می‌شود. این مدل‌ها معمولاً سریع‌ترند ولی دقت آن‌ها به کیفیت داده‌های اولیه وابسته است.

• امتیازدهی ترکیبی (Consensus Scoring):
  برای افزایش قابلیت اعتماد، در برخی نرم‌افزارها از ترکیب چند تابع امتیازدهی استفاده می‌شود. در این حالت، تنها حالت‌هایی پذیرفته می‌شوند که توسط چند معیار مختلف به‌عنوان ساختار مطلوب شناخته شوند.

جمع‌بندی

در فرآیند داکینگ، الگوریتم‌های جست‌وجو وظیفه‌ی تولید حالت‌های مختلف اتصال را بر عهده دارند و توابع امتیازدهی مسئول ارزیابی و انتخاب بهترین حالت هستند.
هماهنگی میان این دو بخش تعیین‌کننده‌ی دقت و کارایی نتایج نهایی است.

درک عملکرد این مؤلفه‌ها به پژوهشگر کمک می‌کند تا بتواند خروجی نرم‌افزارهای داکینگ را بهتر تحلیل کرده و در انتخاب پارامترها یا تفسیر نتایج، تصمیم‌های آگاهانه‌تری بگیرد.

در بخش ۳ از این مجموعه، با انواع مختلف داکینگ (از مدل‌های صلب تا انعطاف‌پذیر) آشنا خواهیم شد و بررسی می‌کنیم که چگونه انتخاب نوع داکینگ می‌تواند بر دقت پیش‌بینی‌ها و موفقیت یک پروژه‌ی طراحی دارو تأثیر بگذارد.

پیشنهاد ویژه

در مرکز پژوهش‌های رایانه‌ای ایلیا (ICRC) آموزش تخصصی نرم‌افزارهای AutoDock و AutoDock Vina، آماده‌سازی ورودی‌ها، تحلیل خروجی‌ها و اجرای پروژه‌های داکینگ به‌صورت کامل ارائه می‌شود. 

آموزش مقدماتی مبانی داکینگ مولکولی

https://icrcenter.ir/shop/%D9%87%D9%85%D9%87-%D8%AF%D9%88%D8%B1%D9%87-%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C/P45363-Introduction-to-Molecular-Docking-Fundamentals-Training.html

آموزش انجام داکینگ مولکولی با استفاده از نرم افزار آتوداک

https://icrcenter.ir/shop/%D9%87%D9%85%D9%87-%D8%AF%D9%88%D8%B1%D9%87-%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C/P45354-Molecular-Docking-Training-with-AutoDock-Software.html

آموزش نرم افزار آتوداک وینا

https://icrcenter.ir/shop/%D9%87%D9%85%D9%87-%D8%AF%D9%88%D8%B1%D9%87-%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C/P45356-AutoDock-Vina-Software-Training.html

آموزش نرم افزار پایرکس

https://icrcenter.ir/shop/%D9%87%D9%85%D9%87-%D8%AF%D9%88%D8%B1%D9%87-%D9%87%D8%A7%DB%8C-%D8%A2%D9%85%D9%88%D8%B2%D8%B4%DB%8C/P45361-PyRx-Software-Training.html

برای پژوهشگرانی که به دنبال یک محیط آماده برای اجرای این نرم افزارها هستند، فلش تخصصی ICRC Bio USB حاوی سیستم عامل لینوکس و نرم افزارهای مورد نیاز از جمله AutoDock می باشد.

https://icrcenter.ir/%D8%B5%D9%81%D8%AD%D9%87-%D8%AC%D8%AF%DB%8C%D8%AF/#wz-section-wzs110

این مرکز همچنین با ارائه سرورهای پرسرعت، امکان اجرای پروژه های سنگین محاسباتی را فراهم نموده است.

https://icrcenter.ir/services/#wz-section-wzs86

مرکز پژوهش‌های رایانه‌ای ایلیا — همراه شما در مسیر پژوهش و نوآوری