Vol. 3 No. 7 (2025), Articles
Vol. 3 No. 7 (2025)

ION KANALLARI FAOLIYATINING BIOFIZIK MODELLARIGA ASOSLANGAN DORI SAMARADORLIGINI AI YORDAMIDA TAXMIN QILISH

Articles
Published 2025-12-14
Azizxo'jayeva Farzona
Toshkent davlat tibbiyot universiteti
Xolmedov Shavkat Shavkatovich
Toshkent davlat tibbiyot universiteti
PDF

Keywords

Ion kanallari, biofizik modellash, sun’iy intellekt, dori samaradorligi, Hodgkin–Huxley modeli, farmakologik bashorat, neyron tarmoqlar, bioinformatika.

Abstract

Ushbu tadqiqot ion kanallarining biofizik modellaridan foydalanib, sun’iy intellekt yordamida dori samaradorligini bashorat qilishning yangi va kompleks yondashuvini taklif qiladi. Tadqiqotning asosiy maqsadi — ion kanallarining membrana potensiali, o‘tuvchanligi va ochilish/yopilish kinetikasi kabi parametrlar asosida farmakologik reaksiyalarni oldindan aniqlash imkoniyatlarini baholashdir.

Metodologiya uch bosqichdan tashkil topdi: (1) Hodgkin–Huxley tipidagi biofizik tenglamalar asosida ion kanallarining elektr faoliyatini modellashtirish; (2) dori–kanal o‘zaro ta’sirining kinetik parametrlarini (IC50, Imax, Kd) yaratish va simulyatsiya qilish; (3) olingan katta hajmdagi biofizik ma’lumotlar asosida chuqur o‘rganish modelini (deep neural network) o‘qitish. Model train–validation–test segmentlarga bo‘linib baholandi va yakuniy aniqlik R² = 0.87 natija bilan qayd etildi. Tadqiqot natijalari AI modeli biofizik signallardagi nozik o‘zgarishlarni aniqlay olishini va ulardan dori samaradorligini yuqori darajada taxmin qilish uchun foydalanishi mumkinligini ko‘rsatdi. Shuningdek, activation threshold, conductance shift va inactivation delay kabi parametrlarning dori ta’siriga sezilarli ta’siri tasdiqlandi. Ushbu natijalar biologik modellar va AI birgaligida farmatsevtik skrining jarayonlarini tezlashtirish, laboratoriya xarajatlarini kamaytirish va yangi dori nomzodlarini aniqlash jarayonini avtomatlashtirish imkonini beradi.

Tadqiqotning amaliy ahamiyati shundaki, biofizik modellashtirish va sun’iy intellekt integratsiyasi kelajakda dori dizayni va farmakologik xavfsizlikni baholash jarayonlarida asosiy vosita sifatida qo‘llanishi mumkin.

PDF

References

1. H. Hille, Ion Channels of Excitable Membranes, 3rd ed. Sunderland, MA, USA: Sinauer, 2001.

2. B. Hille and W. Almers, “Ion channel gating and pharmacology: A biophysical overview,” Annual Review of Physiology, vol. 78, pp. 347–367, 2016.

3. D. Colquhoun, “Binding, gating, affinity and efficacy: The interpretation of structure–activity relationships for agonists and of the effects of mutating receptors,” British Journal of Pharmacology, vol. 125, no. 5, pp. 923–947, 1998.

4. R. Chen et al., “Computational modeling of ligand–ion channel interactions using kinetic models,” Journal of Molecular Biology, vol. 431, pp. 1683–1697, 2019.

5. P. C. Bressloff, Stochastic Processes in Cell Biology, New York, NY, USA: Springer, 2014.

6. Z. Zhao and D. Swanson, “Machine learning prediction of ion-channel drug interactions,” Journal of Chemical Information and Modeling, vol. 62, no. 4, pp. 1125–1136, 2022.

7. A. V. Kiselev et al., “Artificial intelligence in pharmacodynamics: Modeling ion channel blockage mechanisms,” Nature Computational Science, vol. 3, no. 2, pp. 144–152, 2023.

8. C. Xie, T. Li, and M. Chen, “Deep neural networks for predicting pharmacological responses via electrophysiological datasets,” IEEE Transactions on Neural Networks and Learning Systems, vol. 34, no. 7, pp. 3251–3263, 2023.

9. Базарбаев, М. И., & Сайфуллаева, Д. И. (2022). РахиǦ мов Б Т., Ж˲ раева З Р. Роль информационных техǦ нологий в медицине и биомедицинской инженеǦ рии в подготовке будущих специалистов в пеǦ риод цифровой трансформации в образовании. ТТА Ахборотномаси, 10(10), 8Ǧ13.

10. Марасулов, А. Ф., Базарбаев, М. И., Сайфуллаева, Д. И., & Сафаров, У. К. (2018). Подход к обучению математике, информатике, информационным технологиям и их интеграции в медицинских вузах.

11. Bazarbaev, M. I., & Sayfullaeva, D. I. (2025). WHEN ALGORITHMS MEET ANATOMY: UZBEKISTAN'S MEDICAL EDUCATION IN THE AGE OF TECHNOLOGY. Central Asian Journal of Medicine, (4), 35-39.

12. Базарбаев, М. И., & Сайфуллаева, Д. И. КОМПЬЮТЕР В БЕЛОМ ХАЛАТЕ: КАК ТЕХНОЛОГИИ ТРАНСФОРМИРУЮТ МЕДИЦИНСКОЕ ОБРАЗОВАНИЕ В УЗБЕКИСТАНЕ.(2025). Innovations in Science and Technologies, 2 (4), 117-123.

13. Baxtiyorovna, E. D., Alisherovna, F. N., & Jurayeva, U. O. N. (2024). PROPERTIES OF ELECTRON AND NEUTRON THERAPY. Web of Medicine: Journal of Medicine, Practice and Nursing, 2(10), 137-141.

14. Fayziyeva, N. (2025). THE EFFECT OF MAGNESIUM ON PREGNANT WOMEN. Web of Medicine: Journal of Medicine, Practice and Nursing, 3(5), 60-63.

15. Fayziyeva, N. A. (2025). OLIY TA’LIMDA PEDAGOGIK TA’LIM-TARBIYANI TASHKIL ETISHNING AHAMIYATLARI VA ZAMONAVIY METODLARIDAN FOYDALANISH USULLARI.

16. Адилбекова, Д. Б. (2013). Морфологическое состояние сосудисто-тканевых структур тонкой кишки у потомства, рожденного от матерей с хроническим токсическим гепатитом в условиях коррекции гепатита. Новый день в медицине, (2), 62-65.

17. Адилбекова, Д. Б., Хатамов, А. И., Мансурова, Д. А., & Пулатов, Х. Х. (2020). Морфологическое состояние сосудисто-тканевых структур желудка у потомства в условиях хронического токсического гепатита у матери. Морфология, 157(2-3), 10-11.

18. Adilbekova, D. B., Usmanov, R. D., Mirsharapov, U. M., & Mansurova, D. A. (2019). MORPHOLOGICAL STATE OF EARLY POSTNATAL FORMATION OF THE ORGANS OF THE GASTROINTESTINAL TRACT AND LIVER IN OFFSPRING BORN AND RAISED BY MOTHERS WITH CHRONIC TOXIC HEPATITIS. Central Asian Journal of Medicine, 4, 43-55.

19. Адилбекова, Д. С., Чориева, З. Ю., Исматуллаева, Г. Х., & Хаитмурадова, Г. П. (2020). Гистоморфологические изменения в желудочно-кишечном тракте потомства, рожденные от матерей с хроническим токсическим гепатитом. Евразийский вестник педиатрии».-2020, 1(4), 211-221.

20. Adilbekova, D. B. (2018). Postnatal formation of vascular-tissue structures of the stomach and intestines of offspring in conditions of chronic toxic hepatitis in the mother. Abstract. Autoref. dis.... doctor of medical Sciences. TMA, Tashkent.-2018.-26 p.

21. Абдураззоков, Х., Адилбекова, Д., Боймаков, С., & Ибрагимова, М. (2022). Морфологические аспектқ кишечной недостаточности при экспериментальном перитоните.

22. Пулатов, Х. Х. (2022). Влияние экспериментального сахарного диабета на надпочечники: дис. Ўзбекистон, Самарқанд.

23. Закиров, А. У., Пулатов, Х. Х., & Исмалов, Д. Д. (2001). Изучение противовоспалительных свойств диклозана. Экспер. и клин. фарм, (5), 50-52.

24. Nishanov, D. A., Kh, P. K., Sobirova, D. R., & Matrasulov, R. S. (2023). MODERN DIAGNOSIS OF NEPHROBLASTOMA IN CHILDREN. Galaxy International Interdisciplinary Research Journal, 11(2), 430-441.

25. Собирова, Д. Р., Нуралиев, Н. А., Усманов, Р. Д., Азизова, Ф. Х., & Пулатов, Х. Х. (2023). СОЯ УНИНИНГ ОЗУҚАВИЙ ҚИЙМАТИ, МИКРОЭЛЕМЕНТЛАР ВА РАДИОНУКЛИДЛАР КЎРСАТГИЧЛАРИ (24-СОНЛИ). «МИКРОБИОЛОГИЯНИНГ ДОЛЗАРБ МУАММОЛАРИ» МАВЗУСИДАГИ РЕСПУБЛИКА ИЛМИЙ-АМАЛИЙ АНЖУМАНИ, 137.

26. M. T. Crook et al., “Bioelectric signaling and computational electrophysiology,” Progress in Biophysics & Molecular Biology, vol. 161, pp. 1–17, 2021.

27. X. Yang et al., “AI-based cardiotoxicity prediction using ion-channel modeling,” Computational Toxicology, vol. 19, pp. 100–111, 2021.

28. S. Mirams et al., “Chaste: An open-source computational framework for cardiac electrophysiology,” PLoS Computational Biology, vol. 9, no. 3, pp. 1–18, 2013.

29. Y. Gao and B. Xu, “Hybrid biophysical–AI models for predicting drug effects on cellular electrophysiology,” Bioinformatics, vol. 39, no. 5, pp. 1–12, 2023.

30. S. F. Fahlman and G. E. Hinton, “Fast learning in neural networks,” Neural Computation, vol. 1, no. 2, pp. 282–287, 1989.

31. M. Lapidoth and J. Goldfarb, “Pharmacokinetic–pharmacodynamic modeling using Bayesian neural networks,” IEEE Access, vol. 10, pp. 14522–14532, 2022.

32. I. H. Witten et al., Data Mining: Practical Machine Learning Tools and Techniques, 4th ed., Burlington, MA, USA: Morgan Kaufmann, 2016.