ردپای هوش مصنوعی در داروسازی

به گزارش شیوا مارکت، دانشمندان در تلاش هستند تا با بهره گیری از ظرفیت های فناوری هوش مصنوعی سرعت فرایندهای تولید دارو را افزایش دهند.

به گزارش خبرنگار حوزه علم، فناوری و دانش بنیان گروه دانشگاه خبرگزاری خبرنگاران، تولید دارو یک فرایند بسیار پرهزینه و طولانی مدت است. اما بسکمک از فرآیندهای تحلیلی و آزمایشگاهی تولید دارو، به کمک تکنیک یادگیری ماشین می توانند کارآمدتر شوند و این امر ممکن است موجب صرفه جویی در سال ها کار و صدها میلیون دلار سرمایه گذاری شود.

روبات ها پیشتاز در کشف دارو/ روباتیک حریف کرونا می شود؟

گاهی ساخت و تولید یک داروی جدید و موثر، یک دهه یا بیشتر طول می کشد. اما انتظار می رود به کمک هوش مصنوعی، این شرایط دگرگون شود. روش های مبتنی بر هوش مصنوعی، به دلیل برخورداری از قوای پردازشی و داده های کافی، قادر به یادگیری عملکرد داروهای موجود هستند که این می تواند در اصلاح و ارتقای عملکرد آنها تاثیر گذارد. در حال حاضر، سرویس DeepMind گوگل با استفاده از الگوریتم های هوش مصنوعی در حال مشخص پروتئین های احتمالی تشکیل دهنده ویروس کووید19 است.

همچنین شرکت BenevolentAI از جمله مشهورترین شرکت های دارویی متکی بر فناوری در حال تست و بررسی ترکیب های دارویی مختلف برای مقابله با این ویروس است. اما هوش مصنوعی چطور می تواند بر فرایند داروسازی موثر باشد؟ برای این منظور نگاهی به این فرایند خواهیم انداخت. چهار مرحله در تولید دارو وجود دارد و خبر خوب این است که هوش مصنوعی تا همین حالا با موفقیت در هر 4 مرحله اصلی تولید دارو استفاده قرار گرفته و مفید بوده است:

مرحله 1: شناسایی اهداف درمانی

مرحله 2: کشف کاندیداهای مختلف دارو

مرحله 3: انجام کارآزمایی های بالینی

مرحله 4: یافتن نشانگرهای زیستی برای تشخیص بیماری

مرحله 1: اهداف درمانی

اولین قدم در تولید دارو، شناخت منشا بیولوژیکی بیماری و همچنین مکانیسم های مقاومت آن است. سپس شما باید اهداف خوبی را(به طور معمول پروتئین) برای درمان بیماری شناسایی کنید. در دسترس بودن گسترده تکنیک های با بازدهی بالا، مانند نظارت آران ای کوچک سنجاق سری(shRNA) و توالی عمیق، مقدار داده های موجود برای کشف درمان ها را به میزان قابل توجهی افزایش داده است. با این حال، در استفاده از تکنیک های سنتی، ادغام تعداد زیادی از پارامترها و تنوع منابع داده و سپس یافتن الگوهای مربوطه، هنوز هم یک چالش محسوب می شود. الگوریتم های یادگیری ماشین می توانند به راحتی همه داده های موجود را تجزیه و تحلیل کنند و حتی می توانند یاد بگیرند که به طور اتوماتیک پروتئین های هدف را نیز شناسایی کنند.

مرحله 2: کاندیداهای مختلف را کشف کنید

در مرحله بعد، باید ترکیبی را پیدا کنید که بتواند با روش مورد نظر با مولکول هدف در تعامل باشد. برای این کار، تعداد زیادی از ترکیبات بالقوه، هزاران یا حتی میلیون ها ترکیب، از منظر تاثیرگذاری و همچنین از لحاظ عوارض جانبی(همچون مسمومیت) غربال می شوند. این ترکیبات می توانند طبیعی، مصنوعی یا زیستیِ مهندسی شده باشند.

سال ها است که برنامه های رایانه ای و نرم افزارهای پزشکی برای کمک به پژوهشگران در تسریع این حوزه توسعه یافته اند اما با این وجود، نرم افزارهای فعلی غالباً دقیق عمل نمی کنند و پیشنهادات بدی(مثبت کاذب) ارائه می دهند که در حقیقت گمراه کننده هستند و بنابراین مدت زمان بسیار طولانی طول می کشد تا گزینه های متعدد را از بین آن ها به بهترین کاندیداهای دارو (که به عنوان ترکیب پیشرو یا Lead compound شناخته می شود) محدود کنید.

با هوش مصنوعی می توان به ماشین آموخت که مناسب بودن یا نبودن یک مولکول بر اساس آثار ساختاری و توصیف کننده های مولکولی اش چگونه است. سپس آن ها میلیون ها مولکول بالقوه را غربال می کنند تا به بهترین گزینه ها برسند؛ مواردی که دارای حداقل عوارض جانبی نیز هستند. این امر در نهایت موجب صرفه جویی در وقت زیادی در طراحی دارو می شود.

مرحله 3: آزمایشات بالینی

یافتن کاندیداهای مناسب برای آزمایش های بالینی کار دشواری است. اگر کاندیداهای اشتباهی را انتخاب کنید، آزمایشات طولانی تر خواهند شد و هزینه و زمان زیادی صرف می شود.

یادگیری ماشین می تواند با شناسایی اتوماتیک کاندیداهای مناسب و همچنین اطمینان از توزیع صحیح گروه های شرکت کنندگان در کارآزمایی، به طراحی کارآزمایی بالینی سرعت ببخشد. الگوریتم ها می توانند به شناسایی الگویی بپردازند که کاندیداهای خوب را از بد جدا کند. آن ها همچنین می توانند یک سیستم هشداردهنده زودرس را تدارک ببینند تا وقتی برای هوش مصنوعی محرز شده است که آزمایش یک ترکیب به پایان نخواهد رسید به محققان اطلاع دهد زودتر مداخله کنند و به طور بالقوه موجب صرفه جویی در ساخت دارو شوند.

مرحله 4: شناسایی نشانگرهای زیستی برای تشخیص

پزشکان فقط وقتی می توانند بیماران را معالجه کنند و به او دارویی تجویز کنند که از تشخیص خود مطمئن شوند. برخی از روش ها بسیار گرانقیمت هستند و شامل تجهیزات آزمایشگاهی پیچیده و همچنین دانش تخصصی هستند؛ مانند توالی ژنوم.

نشانگرهای زیستی مولکول هایی هستند که در مایعات بدن(به طور معمول خون انسان) یافت می شوند و به قطعیت مشخص می کنند که بیمار دارای بیماری است یا خیر. آن ها فرایند تشخیص بیماری را ایمن و ارزان می کنند. پس شما همچنین می توانید برای مشخص کردن پیشرفت بیماری از آنها استفاده کنید، بدین ترتیب پزشکان درمان مناسب را پیدا می کنند و متوجه می شوند که آیا دارو کارش را درست انجام می دهد یا خیر.

اما کشف نشانگرهای زیستی مناسب برای تک تک بیماری ها کار وقت گیری است. این کار، فرایندی پرهزینه نیز است زیرا شامل غربالگری ده ها هزار کاندیدای بالقوه مولکولی می شود. هوش مصنوعی می تواند بخش بزرگی از کاری که عموما به صورت دستی انجام می شده است را به صورت اتوماتیک انجام دهد و فرایند کار را سرعت ببخشد. این الگوریتم ها مولکول ها را به کاندیداهای خوب و بد طبقه بندی می کنند و این موجب می شود که پژوهشگران بتوانند روی بهترین چشم اندازها تمرکز کنند.از نشانگرهای زیستی می توان برای موارد ذیل استفاده کرد:

تشخیص وجود بیماری در سریعترین زمان ممکن، نشانگر بیولوژیکی تشخیصی

تشخیص خطر پیشرفت بیماری در بدن بیمار، نشانگر بیولوژیکی ریسک

آیا بدن بیمار به دارویی خاص پاسخ خواهد داد یا خیر، نشانگر بیولوژیکی پیشگویانه

هوش مصنوعی بی تردید توانمندی ها و قابلیت های زیادی دارد اما عده ای همچون ایلان ماسک اعتقاد دارند نمی توان به طور تمام و کمال به فناوری اعتماد کرد، خصوصا زمانی که بحث سلامتی انسان به میان می آید. بهمن ماه سال گذشته، استارت آپ Exscientia ادعا کرد برای اولین بار تماما از طریق مصنوعی، دارویی را تولید کرده است که قرار است به صورت بالینی بر روی انسان ها آزمایش شود. این دارو به منظور درمان اختلال وسواس فکری-عملی(obsessive-compulsive disorder) تولید شده است و تنها ظرف کمتر از یک سال، از یک طرح تئوری به یک داروی واقعی مبدل شد. اما آیا شما حاضر هستید دارویی را مصرف کنید که توسط یک روبات تولید شده است؟

4144/