صنعت داروسازی میزبان هوش مصنوعی میشود!

به گزارش مجله خبری نگار/برنا،در گذشته کشف یک داروی موثر معمولا بیش از یک دهه پژوهش و میلیارد‌ها پوند سرمایه‌گذاری نیاز داشت. بسیاری از نامزد‌های دارویی پیش از رسیدن به مراحل بالینی شکست می‌خوردند؛ به‌گونه‌ای که تخمین زده می‌شود تنها صنعت داروسازی جهان سالانه ۵۰ تا ۶۰ میلیارد دلار برای آزمایش‌های ناموفق در زمینه دارو‌های ضدسرطان هزینه کند، اما اکنون به لطف الگوریتم‌های هوش مصنوعی زمان موردنیاز برای شناسایی ترکیبات پیشرو می‌تواند از سال‌ها به چند هفته یا حتی چند روز کاهش یابد.

شرکت‌های داروسازی در سراسر جهان با سرعت زیادی به سمت استفاده از هوش مصنوعی برای تسریع فرآیند کشف دارو‌های جدید حرکت می‌کنند. پرسش اصلی، اما این است که آیا هوش مصنوعی واقعا می‌تواند روند کشف دارو را متحول کند؟ یا مزایای آن فراتر از واقعیت ترسیم شده است.

در این گزارش با تکیه بر مطالعات انجام شده در مجله JAMA Network؛ مجله Nature Microbiology و مجله Cell به بررسی تاثیرات هوش مصنوعی بر فرآیند کشف دارو، قابلیت‌های آن در شناسایی ترکیبات دارویی پیشرو و چالش‌های موجود در تبدیل این ترکیبات به دارو‌های قابل استفاده می‌پردازیم.

شناسایی ترکیبات دارویی پیشرو

میکله وندروسکولو، استاد بیوفیزیک دانشگاه کمبریج توضیح می‌دهد: اولین گام در فرآیند کشف دارو یافتن ترکیب موفق یا پیشرو است و این مرحله امروزه به‌طور کامل توسط هوش مصنوعی تسهیل شده است.

در روش‌های سنتی کشف دارو با غربالگری پرظرفیت هزاران ترکیب شیمیایی آغاز می‌شد تا مشخص شود کدام‌یک با پروتئین هدف تعامل دارد؛ روندی که ممکن بود تا دو سال طول بکشد، اما با تحلیل هوش مصنوعی بانک‌های عظیم داده شیمیایی شامل اطلاعات مربوط به ساختار و ویژگی‌های فیزیکی صد‌ها هزار مولکول می‌توانند در مدت کوتاهی پردازش شوند و مدل‌های پیش‌بینی بر اساس آن بهترین گزینه‌ها را ارائه دهند.

وندروسکولو می‌افزاید: ما اکنون با تکیه بر دهه‌ها داده حاصل از مطالعات بلورنگاری پرتو ایکس و ریزطیف‌سنجی، ساختار صد‌ها هزار پروتئین را می‌شناسیم. هوش مصنوعی در یادگیری از این حجم عظیم داده‌های ساختاری بسیار توانمند است.

او تاکید می‌کند که هوش مصنوعی در پیش‌بینی تعامل مولکول‌های کوچک با پروتئین‌هایی که ساختار سه‌بعدی پایدار دارند به اندازه آزمایش‌های فیزیکی دقیق عمل می‌کند؛ اما این دقت برای پروتئین‌های بی‌نظم ذاتی کمتر کاربرد دارد. پروتئین‌هایی که شکل ثابتی ندارند و اغلب در بیماری‌هایی مانند آلزایمر و پارکینسون دخیل‌اند.

تحول در هدف‌گیری پروتئین‌های غیرقابل‌دارو

گروه پژوهشی وندروسکولو با بهره‌گیری از هوش مصنوعی روش جدیدی برای اتصال مولکول‌ها به این نوع پروتئین‌ها ارائه کرده است. آنان روی پروتئین آمیلوئید بتا (عامل تشکیل پلاک‌های مضر در مغز بیماران آلزایمر) تمرکز کردند.

در این پژوهش هوش مصنوعی میلیون‌ها مولکول را غربال کرد و پنج ترکیب موثر یافت که برخلاف روش سنتی نه به حفره‌ای خاص بلکه به‌صورت پویا پیرامون ساختار پروتئین حرکت کرده و سپس به آن متصل می‌شدند تا از تجمع آسیب‌زا جلوگیری کنند.

در حوزه آنتی‌بیوتیک‌ها نیز هوش مصنوعی به ابزاری کلیدی بدل شده است. بسیاری از آنتی‌بیوتیک‌های موثر جهان بیش از نیم‌قرن پیش کشف شده‌اند و مقاومت فزاینده باکتری‌ها توسعه نوع جدید را دشوار کرده است.

سزار د لا فوئنته از دانشگاه پنسیلوانیا با استفاده از هوش مصنوعی سال‌هاست پایگاه‌های ژنتیکی را برای یافتن مولکول‌های ضدمیکروبی جست‌و‌جو می‌کند. او حتی ژنوم گونه‌های منقرض‌شده مانند نئاندرتال‌ها را بررسی کرده و پپتیدی موسوم به نئاندرتالین-۱ پیدا کرده است که در آزمایش‌های حیوانی موثر بوده است.

این گروه از دل داده‌های گونه‌های باستانی هزاران ترکیب با پتانسیل آنتی‌بیوتیکی را شناسایی کرده‌اند؛ ترکیباتی که درصد قابل‌توجهی از آنها در آزمایش‌های آزمایشگاهی توان مقابله با باکتری‌های خطرناک را نشان داده‌اند.

دوپینگ هوش مصنوعی در کشف دارو؛ انقلاب در آزمایشگاه یا هیاهوی فناورانه؟

از کشف تا داروی قابل‌استفاده انسانی

کشف ترکیب اولیه تنها بخشی از مسیر پیچیده توسعه دارو است.

به گفته وندروسکولو بیشتر دارو‌ها نه در مرحله کشف بلکه در مراحل اثربخشی، سمیت و تعیین دوز مناسب برای انسان شکست می‌خورند. برخی شرکت‌ها با تکیه بر هوش مصنوعی تلاش دارند این چالش را نیز کاهش دهند.

نمونه‌ای از این رویکرد شرکت Lantern Pharma است که با کمک هوش مصنوعی دارویی را بازتحلیل کرد که پیش‌تر ناکام مانده بود. سیستم هوش مصنوعی مشخص کرد دارو برای گروه خاصی از بیماران مبتلا به سرطان ریه (افرادی که سیگار نمی‌کشند) اثربخشی بالا دارد، زیرا تومور‌های آنان از نظر ژنتیکی با سیگاری‌ها تفاوت اساسی دارند و گیرنده‌های خاصی در آنها بیش‌ازحد بیان می‌شوند.

بر اساس برآورد مدیرعامل این شرکت استفاده از هوش مصنوعی می‌تواند زمان تعیین جایگاه بالینی دارو را تا ۷۵ درصد کاهش دهد و در پیش‌بینی سمیت، عبور دارو از سد خونی-مغزی و بهینه‌سازی کارآزمایی‌های بالینی نقش مؤثری داشته باشد.

تردید‌ها و محدودیت‌های اساسی هوش مصنوعی در صنعت دارویی

با وجود این بسیاری از متخصصان معتقدند باید با احتیاط به توانایی‌های هوش مصنوعی نگریست. با اینکه از میانه دهه ۲۰۱۰ شرکت‌های داروسازی از الگوریتم‌های هوش مصنوعی بهره می‌گیرند، هنوز هیچ دارویی که کاملا با این فناوری طراحی شده باشد مرحله سوم کارآزمایی بالینی را پشت‌سر نگذاشته است.

وندروسکولو می‌گوید: هوش مصنوعی زمانی عالی عمل می‌کند که داده‌های کافی در اختیارش باشد، اما در مواردی که داده‌ها محدودند مثلا برای پیش‌بینی سمیت دارو در انسان هنوز عملکرد قابل‌اتکایی ندارد. یک ترکیب ممکن است به میلیون‌ها روش متفاوت سمی باشد و این یکی از چالش‌هایی است که هیاهوی پیرامون هوش مصنوعی با واقعیت علمی مواجه می‌شود.

دوپینگ هوش مصنوعی در کشف دارو؛ انقلاب در آزمایشگاه یا هیاهوی فناورانه؟

چراغی در مسیر تاریک کشف دارو

در مجموع هوش مصنوعی تصویری امیدبخش از آینده پزشکی ارائه کرده است. آینده‌ای که در آن سال‌ها تلاش و میلیارد‌ها دلار هزینه ممکن است به چند هفته تحلیل داده و تصمیم‌گیری هوشمند تبدیل شود.

این فناوری نه‌تنها راز پروتئین‌هایی را گشوده که ساخت دارو برای آنها غیرممکن تصور می‌شد بلکه حتی از دل ژنوم گونه‌های منقرض‌شده راه‌های تازه‌ای برای مقابله با مقاومت‌های دارویی و بیماری‌های پیچیده یافته است. با این همه مسیر تبدیل یک ایده آزمایشگاهی به دارویی که واقعا جان انسان‌ها را نجات دهد همچنان طولانی، پرهزینه و وابسته به قضاوت انسانی است.

هوش مصنوعی قرار نیست جایگزین دانشمندان شود؛ بلکه چراغی در دستان آنان است. چراغی که راه پرپیچ‌وخم کشف دارو را روشن‌تر، سریع‌تر و کم‌هزینه‌تر می‌کند.