هوش مصنوعی در زمینه داروسازی انقلاب به پا کرد!

به گزارش مجله خبری نگار/آنا،کشف یک داروی جدید در دنیای داروسازی، به‌طور سنتی فرآیندی طولانی، پرهزینه و سرشار از آزمون و خطاست که می‌تواند بیش از یک دهه به طول انجامد و میلیارد‌ها دلار هزینه در بر داشته باشد. اما بر اساس مجموعه‌ای از پژوهش‌های علمی که نتایج آنها بین سال‌های ۱۴۰۱ تا ۱۴۰۳ منتشر شده، به نظر می‌رسد این روند در آستانه یک تحول بنیادین قرار گرفته است.

دانشمندان با استفاده از نوع خاصی از هوش مصنوعی به نام شبکه‌های عصبی گرافی (GNN)، روشی را توسعه داده‌اند که می‌تواند این مسیر پرچالش را به شکل قابل توجهی کوتاه و بهینه کند.

این فناوری، مولکول‌های دارو و پروتئین‌های بدن را نه به عنوان فرمول‌های خطی، بلکه به مثابه یک شبکه اجتماعی پیچیده از اتم‌ها و پیوند‌های میان آنها تحلیل می‌کند و همین نگاه عمیق، توانایی‌های شگفت‌انگیزی را برای پیش‌بینی‌های بیولوژیکی فراهم آورده است.

پیش‌بینی قفل و کلید در مقیاس مولکولی

یکی از حیاتی‌ترین مراحل کشف دارو، یافتن ترکیبی است که بتواند به طور دقیق به پروتئین هدفِ عامل بیماری در بدن متصل شود، درست مانند یک کلید که فقط یک قفل خاص را باز می‌کند. این فرآیند که پیش‌بینی تمایل اتصال دارو به هدف نام دارد، بخش عظیمی از تحقیقات اولیه را تشکیل می‌دهد.

مدل‌های هوش مصنوعی GNN در این زمینه به موفقیت‌های چشمگیری دست یافته‌اند. برای مثال، مدل NHGNN-DTA در آزمایش‌های استاندارد روی پایگاه‌های داده معتبر Davis و KIBA، توانست عملکرد بهتری نسبت به تمام مدل‌های پیشین در پیش‌بینی قدرت این اتصال از خود نشان دهد.

اهمیت این موفقیت زمانی مشخص می‌شود که این مدل در یک مطالعه موردی برای مقابله با سویه اومیکرون ویروس کرونا به کار گرفته شد. این هوش مصنوعی با بررسی هزاران داروی مورد تایید سازمان غذا و داروی آمریکا، توانست داروی آمیل نیترات را به عنوان یک کاندیدای درمانی احتمالی معرفی کند که پتانسیل بالایی برای اتصال به پروتئین کلیدی ویروس دارد. این قابلیت، به جای ماه‌ها کار آزمایشگاهی، در زمانی بسیار کوتاه به یک نتیجه راهبردی رسید.

حیات دوباره برای دارو‌های قدیمی

علاوه بر خلق دارو‌های جدید، این فناوری مسیری سریع‌تر و کم‌هزینه‌تر به نام بازکاربری دارو را نیز هموار کرده است. در این روش، هوش مصنوعی دارو‌هایی را که قبلاً برای بیماری‌های دیگر تایید شده‌اند، بررسی می‌کند تا کاربرد‌های درمانی جدیدی برای آنها بیابد. از آنجا که ایمنی این دارو‌ها پیش‌تر بر روی انسان سنجیده شده، فرآیند رسیدن آنها به بازار برای درمان بیماری جدید بسیار کوتاه‌تر خواهد بود. در جریان همه‌گیری کووید-۱۹، این رویکرد بسیار مورد توجه قرار گرفت. مدل هوش مصنوعی AntiViralDL با موفقیت توانست دارو‌هایی مانند «بالوکساویر ماربوکسیل» و «اوسلتامیویر» که برای درمان آنفولانزا استفاده می‌شوند را به عنوان گزینه‌های مؤثر احتمالی علیه ویروس کرونا شناسایی کند؛ پیش‌بینی‌هایی که صحت برخی از آنها بعداً در مطالعات علمی و بالینی تایید شد.

اطمینان از ایمنی و کارایی پیش از آزمایش

یک داروی مؤثر، باید علاوه بر اتصال به هدف، در بدن نیز رفتار مناسبی داشته باشد. یعنی باید به درستی جذب شود، در بدن توزیع شود، به موقع متابولیزه شده و دفع گردد و مهم‌تر از همه، سمی نباشد.

این مجموعه ویژگی‌ها تحت عنوان ADMET (جذب، توزیع، متابولیسم، دفع و سمیت) شناخته می‌شود. پیش‌بینی نادرست این پارامتر‌ها یکی از دلایل اصلی شکست دارو‌ها در مراحل کارآزمایی بالینی است. مدل‌های هوش مصنوعی مانند ChemXTree و رویکرد‌های ترکیبی توسعه یافته‌اند تا این خصوصیات را فقط بر اساس ساختار مولکولی دارو با دقت بالایی پیش‌بینی کنند.

این الگوریتم‌ها می‌توانند پیش از صرف هرگونه هزینه برای آزمایش‌های حیوانی یا انسانی، ترکیبات نامناسب و سمی را از فهرست کاندیدا‌ها حذف کرده و تنها مولکول‌هایی با بیشترین شانس موفقیت را به مراحل بعد هدایت کنند.

ارائه نقشه راه تولید برای شیمیدان‌ها

پس از آنکه یک مولکول دارویی امیدوارکننده شناسایی شد، چالش بعدی ساختن آن در آزمایشگاه است. این فرآیند که سنتز معکوس یا رتروسنتز نام دارد، نیازمند طراحی یک نقشه راه شیمیایی دقیق برای رسیدن از مواد اولیه ساده به محصول نهایی پیچیده است.

هوش مصنوعی در این زمینه نیز به عنوان یک جی‌پی‌اس شیمیایی عمل می‌کند. مدل‌هایی مانند GNN-Retro با تحلیل پایگاه‌های داده عظیمی از واکنش‌های شیمیایی شناخته‌شده، می‌توانند بهترین، کوتاه‌ترین و اقتصادی‌ترین مسیر برای سنتز یک دارو را به شیمیدان‌ها پیشنهاد دهند. این قابلیت نه تنها فرآیند تحقیق و توسعه را سرعت می‌بخشد، بلکه می‌تواند هزینه‌های تولید انبوه دارو‌ها را نیز به شکل چشمگیری کاهش دهد.

پزشکی شخصی‌سازی‌شده و فراتر از آن

کاربرد‌های این فناوری همچنان در حال گسترش است. پژوهشگران در حال حاضر از GNN‌ها برای مطالعه تعامل دارو‌ها با میکروبیوم روده و جامعه باکتری‌های مفیدی که در دستگاه گوارش زندگی می‌کنند، استفاده می‌کنند. از آنجایی که این میکروب‌ها می‌توانند نحوه تجزیه و جذب دارو‌ها را در افراد مختلف تغییر دهند، درک این تعاملات گامی بزرگ به سوی پزشکی شخصی‌سازی‌شده است؛ یعنی تجویز داروی مناسب، با دوز مناسب، برای بیمار مناسب. با وجود تمام این پیشرفت‌ها، چالش‌هایی مانند نیاز به داده‌های بیشتر و باکیفیت‌تر و افزایش شفافیت در نحوه تصمیم‌گیری این مدل‌های هوشمند همچنان وجود دارد. با این حال، کاملاً واضح است که همکاری میان هوش مصنوعی و دانشمندان علوم زیستی، فصل جدیدی را در تاریخ داروسازی رقم زده است که در آن، درمان‌های نوین سریع‌تر و مؤثرتر از همیشه به دست بیماران خواهند رسید.