به گزارش پایگاه خبری دانا، گروه دانش و فناوری:
صنعت داروسازی مدتها است که با یک «معضل بهرهوری» دست و پنجه نرم میکند: هزینههای تحقیقاتی سرسامآور است، در حالی که نرخ تأیید داروهای جدید کاهش یافته است. روند کشف دارو سنتی شبیه به یافتن سوزن در انبار کاه است—آزمایش دهها هزار مولکول به امید یافتن یک کاندیدای امیدوارکننده. اما امروز، یک همکار دیجیتالی فوقالعاده قدرتمند در حال تغییر قواعد بازی است: هوش مصنوعی (AI). با استفاده از یادگیری ماشینی و پردازش ابری، هوش مصنوعی قادر است مجموعه دادههای عظیم (بیگدیتا) را از زیستشناسی، شیمی و آزمایشات بالینی تحلیل کند تا مسیر کشف دارو را تسریع، ارزانتر و هدفمندتر کند.
هوش مصنوعی در سرتاسر خط لوله کشف و توسعه دارو نقش ایفا میکند. در مرحله کشف هدف، الگوریتمها میتوانند دادههای ژنومیک، پروتئومیک و پروندههای سلامت الکترونیک میلیونها بیمار را غربال کنند تا پروتئینها یا مسیرهای بیولوژیکی جدیدی که در یک بیماری نقش کلیدی دارند، شناسایی نمایند. به عنوان مثال، هوش مصنوعی با پیدا کردن ارتباطات پنهان بین ژنها و بیماریها، میتواند هدفی را پیشنهاد کند که قبلاً ناشناخته بود.
سپس، در مرحله طراحی دارو، جادوی واقعی هوش مصنوعی رخ میدهد. روش سنتی غربالگری با کارایی بالا (HTS) نیاز به آزمایش فیزیکی هزاران مولکول دارد. در مقابل، غربالگری مجازی با هوش مصنوعی میتواند میلیاردها مولکول ممکن را در کامپیوتر شبیهسازی و غربال کند. مدلهای هوش مصنوعی مانند شبکههای عصبی پیچشی (CNNs) و مولدهای خصمانه (GANs) میتوانند ساختارهای سهبعدی پروتئینهای هدف را تحلیل کنند و مولکولهایی را طراحی نمایند که به طور ایدهآل به «حفره» هدف متصل میشوند. حتی میتوان به هوش مصنوعی دستور داد تا مولکولهایی را طراحی کند که خاصیت دارویی مطلوب (کارآمد بودن)، داروپذیری (جذب خوب در بدن) و ایمنی (عوارض جانبی کم) را داشته باشند. شرکتهایی مانند «اینسیلیکو مدیسین» و «ایگزماین» در حال پیشتازی در این زمینه هستند و ادعا میکنند که میتوانند کاندیدای دارو را در چند ماه، نه سال، طراحی کنند.
پس از طراحی مولکول، هوش مصنوعی در پیشبینی سمیت و عوارض جانبی کمک میکند. مدلها میتوانند با تجزیه و تحلیل بانکهای اطلاعاتی عظیم از نتایج آزمایشات قبلی، پیشبینی کنند که آیا یک مولکول جدید احتمالاً سمیت قلبی یا کبدی خواهد داشت یا خیر. این امر به محققان امکان میدهد مولکولهای پرخطر را زود حذف کنند و منابع را بر روی امیدوارکنندهترین کاندیداها متمرکز نمایند.
در مرحله آزمایشات بالینی گرانترین و طولانیترین مرحله—هوش مصنوعی میتواند با طراحی کارآزماییهای بهینهتر، سرعت بخشد. هوش مصنوعی میتواند با تحلیل ویژگیهای بیماران، جمعیتی از بیماران را که به احتمال زیاد به درمان پاسخ میدهند، شناسایی کند (شناسایی نشانگرهای زیستی) و در نتیجه کارایی آزمایش را افزایش و حجم مورد نیاز را کاهش دهد. همچنین میتواند برای نظارت بر دادههای آزمایش بالینی در زمان واقعی و شناسایی زودهنگام سیگنالهای ایمنی استفاده شود.
دستیابیهای اولیه چشمگیر بودهاند. در سال ۲۰۲۰، شرکت هوش مصنوعی «دیپ مایند» گوگل، مشکل تاشدگی پروتئین را که پنج دهه چالش زیستشناسی بود، با سیستم «آلفافولد» خود به طور چشمگیری حل کرد. آلفافولد میتواند ساختار سهبعدی یک پروتئین را تنها از توالی آمینواسید آن با دقتی بیسابقه پیشبینی کند. این یک ابزار transformative برای درک بیماریها و طراحی دارو است. در یک مثال دیگر، هوش مصنوعی در عرض تنها ۲۱ ماه یک مولکول جدید برای فیبروز ریوی ایدیوپاتیک کشف کرد—روندی که به طور معمول بیش از ۵ سال طول میکشد. این دارو (INS018_055) اکنون در فاز دوم آزمایشات بالینی است.
با وجود این وعده، چالشها وجود دارد. اولاً،
کیفیت داده:
هوش مصنوعی به دادههای عظیم، تمیز و با برچسب خوب نیاز دارد. دادههای زیستپزشکی اغلب پراکنده، ناقص یا مغرضانه هستند. ثانیاً،
قابلیت تفسیر:
مدلهای پیچیده هوش مصنوعی اغلب مانند «جعبه سیاه» عمل میکنند. برای دانشمندان و تنظیمکنندهگزاران مهم است که بدانند چرا هوش مصنوعی یک مولکول خاص را پیشنهاد میدهد. ثالثاً، مالکیت فکری و مقررات:
چگونه میتوان یک مولکول طراحیشده توسط هوش مصنوعی را ثبت اختراع کرد؟ آیا سازمانهای تنظیمکننده مانند FDA برای ارزیابی داروهای کشفشده با هوش مصنوعی آماده هستند؟
آینده کشف دارو به احتمال زیاد ترکیبی از هوش انسان و ماشین خواهد بود—یک همکاری انسان و هوش مصنوعی. شیمیدانان و زیستشناسان فرضیهها و بینشهای انسانی ارائه میدهند، در حالی که هوش مصنوعی فضای وسیع شیمیایی را کاوش میکند، الگوها را شناسایی میکند و احتمالات را اولویتبندی مینماید. این همکاری میتواند نه تنها داروهای جدید برای بیماریهای شایع، بلکه درمانهایی برای بیماریهای نادر و صعبالعلاج که قبلاً برای شرکتهای داروسازی مقرونبهصرفه نبودند، ایجاد کند.
انقلاب هوش مصنوعی در داروسازی، نوید یک تحول اساسی را میدهد: حرکت از یک مدل «یک دارو برای همه» به سمت داروهای فوقشخصیشده که برای پروفایل ژنتیکی و مولکولی منحصربفرد یک بیمار طراحی شدهاند. این میتواند پایان عصر بلوکباسترهای دارویی با عوارض جانبی گسترده و آغاز عصر درمانهای دقیق و ایمن باشد. هوش مصنوعی تنها یک ابزار نیست؛ بلکه یک شریک تحولآفرین است که میتواند آرزوی دیرینه بشریت برای غلبه بر بیماری را با سرعتی بیسابقه محقق کند.
