fa مروری بر روش‌های پیش‌بینی سایت‌های تعامل کمپلکس‌های آنتی‌بادی–پروتئین مبتنی بر هوش مصنوعی هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare مقاله مروری تشریحی Narrative review articles <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> سرطان یکی از مهمترین چالش‌های بهداشتی قرن اخیر و آینده می‌باشد. طراحی داروهای ضدسرطان هدفمند، مبتنی بر آنتی‌بادی‌های مونوکلونال، نیازمند درک مکانیسم تعامل آنتی‌بادی&ndash;پروتئین در سطح باقی‌مانده‌ها است. اولین گام برای تولید آنتی‌بادی‌های مونوکلونال، پیش‌بینی ساختار آن‌ها می‌باشد.<br> <strong><span style="color:black;">روش:</span></strong> در این مقاله، مهم‌ترین تحقیقات منتشر شده در پایگاه‌های اطلاعاتی <span dir="LTR"><span style="font-size:11.0pt;">PubMed</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">ScienceDirect</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">Springer</span></span> و <span dir="LTR"><span style="font-size:11.0pt;">IEEE</span></span>، برای پیش‌بینی سایت‌های تعامل کمپلکس‌های آنتی‌بادی-پروتئین و تعیین ساختار مؤثر آنتی‌بادی‌ها، به صورت ساختاریافته مورد بررسی قرار گرفت. معمولاً برای این منظور، از شبکه‌های عصبی مصنوعی یا وب‌سرورها استفاده می‌شود. به علاوه، برخی محققین نیز از الگوریتم‌های تکاملی برای پیش‌بینی ساختار مؤثر آنتی‌بادی‌ها استفاده نموده‌اند. بر این اساس، تعداد 14 روش مبتنی بر ساختار فضایی پروتئین‌ها، 28 روش مبتنی بر توالی اسیدهای آمینه (مستقل از ساختار فضایی) و 18 روش پیش‌بینی ساختار آنتی‌ژن/آنتی‌بادی مورد بررسی قرار گرفت.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> مطالعه حاضر نشان داد که دقت روش‌های مبتنی بر ساختار فضایی تا 80‌% قابل افزایش می‌باشد؛ در حالی که دقت روش‌های پیش‌بینی مبتنی بر توالی اسیدهای آمینه به ندرت بهتر از 75‌% بود. از آنجا که ساختار فضایی بسیاری از آنتی‌بادی‌ها در دسترس نمی‌باشد؛ برخی محققین برای بهبود دقت (حتی تا 96%)، تنها از توالی آنتی‌بادی‌های مؤثر بر چند آنتی‌ژن مشابه در آموزش شبکه عصبی استفاده نموده‌اند؛ لذا با توجه به دقت بالای به دست آمده، پیشنهاد می‌شود که از روش اخیر برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال استفاده گردد.<br> <strong>نتیجه&shy;گیری:</strong> در این مقاله، پس از مرور روش‌های موجود برای پیش‌بینی سایت‌های تعامل آنتی‌بادی‌-پروتئین، پیشنهادهایی برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال پیشنهاد گردید.</span></div> <div style="text-align: justify;"><strong>Introduction:</strong> Cancer is one of the most important health issues in the current and next centuries. Understanding the mechanism of interaction between antibody-protein residues is essential for designing targeted anticancer drugs based on monoclonal antibodies. Prediction of the effective structure is the first step for production of monoclonal antibodies.<br> <strong>Methods:</strong> This paper is a systematic review of the state-of-the-art researches on prediction of interaction sites and specification of antibody structures. Artificial neural networks or web servers are frequently used for evaluation of interaction sites while some researchers have employed evolutionary algorithms for prediction of the effective structure of antibodies. Accordingly, 14 methods based on the protein spatial structure, 28 researches based on the molecular amino-acide sequence (without usage of the spatial structure), and 18 antigen/antibody structure prediction techniques were reviewed.<br> <strong>Results:</strong> We demonstrated that the accuracy of structure-based methods can be increased up to 80% while the acuracy of sequence-based methods was rarely better than 75%. Since the spatial structure of many antibodies is unknown, some researchers raised the accuracy (even to 96%) by only antibody sequences able to interact with some similar antigens in training neural networks. Therefore, we suggest this approach for structure prediction of monoclonal antibodies because of its adequate high accuracy.<br> <strong>Conclusion</strong>: In this paper, after reviewing available methods for prediction of antibody-protein interaction sites, some suggestions were made for effective prediction of structure of monoclonal antibodies.<br> &nbsp;</div> ایمونولوژی, آنتی‌بادی‌های مونوکلونال, کمپلکس آنتی‌بادی-پروتئین, هوش مصنوعی, شبکه‌های عصبی Immunology, Monoclonal Antibodies, Antibody-Protein Complexes, Artificial Intelligence, Neural Networks 56 69 http://jhbmi.ir/browse.php?a_code=A-10-295-2&slc_lang=fa&sid=1 Marzieh Abdi مرضیه عبدی ma.abdi@stu.um.ac.ir 10031947532846003709 10031947532846003709 No Ferdowsi University of Mashhad گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران Mahdi Saadatmand-Tarzjan مهدی سعادتمند طرزجان saadatmand@um.ac.ir 10031947532846003710 10031947532846003710 Yes Ph.D in Bioelectronc, Assistant Professor, Medical Imaging Lab, Department of Electrical Engineering, Ferdowsi University of Mashhad, Mashhad, Iran دکتری مهندسی پزشکی (بیوالکتریک)، استادیار آزمایشگاه تصویربرداری پزشکی، گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران Mohammad Taherzadeh Sani محمد طاهر زاده ثانی taherzadeh@um.ac.ir 10031947532846003711 10031947532846003711 No Ferdowsi University of Mashhad گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران Alireza Haghparast علیرضا حق پرست haghparast@ferdowsi.um.ac.ir 10031947532846003712 10031947532846003712 No Ferdowsi University of Mashhad گروه پاتوبیولوژی، دانشکده دامپزشکی، دانشگاه فردوسی مشهد، مشهد، ایران