از ابداع روشی نوین برای بهبود درمان سرطان تا کمک به کشف بیماری‌های جدید

بنا به گزارش روابط عمومی و امور بین‌الملل دانشگاه سلمان فارسی کازرون، دکتر دهقان در رابطه با دستاوردهای کاربردی پژوهش‌های اخیر خود، خاطر نشان نمود: «امروزه بیوانفورماتیک از یک ابزار کمکی به موتور محرک کشف و توسعه دارو تبدیل شده است. روش‌های ارائه ‌شده در این دو مقاله نشان می‌دهند که هوش مصنوعی می‌تواند هزینه و زمان پژوهش‌های دارویی را به شدت کاهش دهد و مسیر رسیدن از آزمایشگاه به بالین بیمار را کوتاه‌تر کند». 

طراحی روشی محاسباتی برای شناسایی بیماری‌های جدید و کشف ارتباط‌های پنهان داروها و بیماری‌ها
این عضو هیئت علمی دانشگاه سلمان فارسی کازرون، در یکی از پژوهش‌های علمی خود، موفق به طراحی روشی محاسباتی برای پیش‌بینی ارتباط بین داروها و بیماری‌ها شد. این مدل می‌تواند ارتباط‌های پنهان بین داروهای تأیید شده و بیماری‌های جدید را با دقت قابل‌توجهی کشف کند و با غربالگری محاسباتی هزاران ترکیب دارو-بیماری، جایگزینی سریع و کم‌هزینه برای آزمایش‌های آزمایشگاهی فراهم آورد.
این روش با استفاده از شبکه عصبی گراف کانولوشنی (GCN) روی یک گراف ناهمگن شامل گره‌های دارو و بیماری، با ادغام همزمان داده‌های ساختاری گراف با چهار ویژگی تکمیلی شامل پروتئین، آنزیم، مسیر زیستی و زیرساختار شیمیایی، بازنمایی غنی‌تری از گره‌ها ایجاد می‌کند. 
وی نتایج این پژوهش خود را در قالب یک مقالۀ علمی با عنوان « Multi-DDA: drug–disease association prediction using a hybrid graph convolutional network with multi-modal drug representations » (پیش‌بینی ارتباط دارو-بیماری با استفاده از شبکه عصبی گراف کانولوشنی ترکیبی با بازنمایی چندوجهی داروها)، در شماره 6 مجلۀ معتبر بین‌المللی Bioinformatics Advances مربوط به انتشارات دانشگاه آکسفورد که 17 آوریل 2026 منتشر شد، چاپ کرده است. 

استفاده از یادگیری عمیق برای بهبود درمان سرطان 
عضو هیئت علمی دانشگاه سلمان فارسی کازرون همچنین در همکاری با آزمایشگاه بیوانفورماتیک و طراحی داروی دانشگاه تهران(LBD)، موفق به ابداع روشی نوین برای بهبود درمان سرطان از طریق یافتن دوز بهینه ترکیب‌های دارویی شد.  
این روش به پزشکان و پژوهشگران صنایع دارویی کمک می‌کند مؤثرترین ترکیب‌های دارویی را با کمترین عوارض برای هر بیمار شناسایی کنند و گامی مؤثر در جهت شخصی‌سازی درمان محسوب می‌شود.
این روش با استفاده از یک معماری شبکه عصبی و یادگیری عمیق، از دو مدل مکمل سراسری و محلی بهره می‌گیرد و قلب نوآوری آن در ماژولی است که با شبکه گراف کانولوشنی نیمه‌نظارتی، ساختار منحنی دوز-پاسخ را مدل‌سازی می‌کند. 
دکتر دهقان، نتایج این پژوهش خود را نیز در قالب مقاله‌ای علمی با عنوان « DeepDRP: Dose-response predictions of drug pairs using deep learning based on data-driven feature representation and dose-response curve characteristics » (پیش‌بینی دوز-پاسخ ترکیبات دارویی با یادگیری عمیق)، در تاریخ 8 مه 2026 در مجله معتبر علمی Plos One منتشر نموده است. 

گفتنی است این یافته‌ها حاصل ماه‌ها پژوهش و همکاری علمی با پژوهشگران داخل کشور است که اکنون به عنوان دستاوردهای علمی، از طریق مجله‌های معتبر بین‌المللی در اختیار پژوهشگران، پزشکان و متخصصان حوزه‌های هوش مصنوعی و انفورماتیک قرار گرفته است.