معادلات هوش مصنوعی در کشف دارو

آرمین شبستری- پژوهشگر پاسارفارما/ فرآیند کشف دارو پیچیده و پرهزینه است و معمولا به سرمایه‌گذاری مالی قابل‌توجه و یک بازه زمانی طولانی برای تحقیق نیاز دارد. توسعه یک داروی جدید می‌تواند بیش از ۲.۸ میلیارد دلار هزینه داشته باشد و بیش از ۱۲ سال تحقیق، آزمایش و کارآزمایی‌های بالینی به طول انجامد. روش‌های سنتی مانند آزمایش‌های مبتنی بر سعی و خطا و غربال‌گری با توان عملیاتی بالا (HTS) (High-Throughput Screening) مدت‌ها به‌عنوان پایه‌های اصلی این فرآیند شناخته شده‌اند. با این حال، این رویکردها کند، پرهزینه و اغلب دارای نتایج نامشخص یا غیردقیق هستند. برای بهبود کارایی، نیاز مبرمی به روش‌های پیشرفته‌ و دقیق‌تر وجود دارد. کاربرد هوش مصنوعی (AI) (Artificial Intelligence) در شیمی دارویی اخیرا به دلیل پتانسیل آن در تحول فرآیند کشف دارو مورد توجه زیادی قرار گرفته است. با بهره‌گیری از تکنیک‌هایی مانند یادگیری ماشین (ML) (Machine Learning)، هوش مصنوعی می‌تواند مجموعه داده‌های گسترده را سریع و دقیق‌تر از روش‌های سنتی تحلیل کند. این قابلیت به هوش مصنوعی امکان می‌دهد تا کارایی و سمیت ترکیبات دارویی جدید را پیش‌بینی کند، اهداف دارویی جدیدی را شناسایی کند (مانند پروتئین‌های خاص یا مسیرهای ژنتیکی مرتبط با بیماری‌ها) و در‌نهایت توسعه داروهای مؤثرتر را تسهیل نماید. از سال ۲۰۱۷، بسیاری از شرکت‌های داروسازی یا با استارتاپ‌های فعال در حوزه هوش مصنوعی همکاری کرده‌اند یا برنامه‌های تحقیقاتی مبتنی بر هوش مصنوعی خود را برای بررسی پتانسیل این فناوری در کشف دارو راه‌اندازی کرده‌اند.

نقش یادگیری ماشین در پیش‌بینی کارایی و سمیت داروها
یکی از کاربردهای اصلی هوش مصنوعی در کشف دارو، پیش‌بینی کارایی و سمیت ترکیبات دارویی بالقوه است. الگوریتم‌های یادگیری ماشینی برخلاف روش‌های سنتی آزمایش کاندیداهای دارویی، می‌توانند به سرعت مجموعه‌های داده‌ای عظیمی را تجزیه‌و‌تحلیل کرده و الگوها و روندهایی را شناسایی کنند که ممکن است از چشم محققان انسانی پنهان بمانند. این الگوریتم‌ها می‌توانند ترکیبات زیست‌فعالی جدیدی با عوارض جانبی کمتر پیشنهاد دهند و جایگزین کارآمدتری برای روش‌های سنتی ارائه دهند. کاربرد مهم دیگر هوش مصنوعی در شناسایی اثرات ترکیبی داروهاست. این قابلیت به ویژه در حوزه‌ داروهای شخصی سازی شده بسیار حائز اهمیت است و ریسک واکنش‌های نامطلوب را به حداقل می‌رساند.

تاثیر هوش مصنوعی بر کشف دارو و صرفه‌جویی هزینه‌ها
روش‌های سنتی کشف دارو غالبا بر اصلاح ترکیبات موجود تمرکز دارند، فرآیندی که ممکن است کند و نیازمند منابع فراوان باشد. در مقابل، رویکردهای مبتنی بر هوش مصنوعی امکان طراحی سریع و کارآمد ترکیبات جدید با ویژگی‌های مورد نظر را فراهم می‌کنند. به عنوان مثال، الگوریتم‌های یادگیری عمیق (DL) (Deep Learning) می‌توانند با استفاده از داده‌های مربوط به ترکیبات دارویی شناخته‌شده آموزش دیده و مولکول‌های درمانی جدیدی با ویژگی‌های مطلوبی همچون حلالیت و زیست‌فعالی تولید کنند. تکنیک‌های یادگیری ماشینی (ML) همراه با شبیه‌سازی‌های دینامیک مولکولی (MD) (Molecular Dynamics) نیز در طراحی نوین داروها از ابتدا به کار گرفته می‌شوند و امکان خلق کاندیداهای دارویی کاملا جدید را فراهم می‌سازند. ادغام این روش‌ها کارایی و دقت در طراحی دارو را بهبود می‌بخشد.

اهمیت همکاری پژوهشگران هوش مصنوعی و داروسازان
هم‌افزایی بین پژوهشگران هوش مصنوعی و دانشمندان داروسازی برای پیشرفت در کشف دارو بسیار حیاتی است. از طریق همکاری، این متخصصان می‌توانند الگوریتم‌ها و مدل‌های یادگیری ماشینی دقیق‌تر و قوی‌تری را برای پیش‌بینی کارایی و سمیت کاندیداهای دارویی توسعه دهند. علاوه بر این، هوش مصنوعی می‌تواند با تجزیه و تحلیل داده‌های آزمایش، روندها را شناسایی کند، عوارض جانبی احتمالی را تشخیص دهد و به بهینه‌سازی طراحی آزمایش‌ها کمک کند.یک مثال قابل توجه در این مورد همکاری بین شرکت «مرک» و شرکت هوش مصنوعی «Numerate» است که هدف آن ادغام هوش مصنوعی در شیمی دارویی است. نمونه دیگرمشارکت بین «CHARM Therapeutics» و «NVIDIA» است که در آن استفاده از یادگیری عمیق تحقیقات مرتبط با آنکولوژی را برای کشف درمان‌های جدید تسریع می‌کند.

چالش‌ها و محدودیت‌ها
هوش مصنوعی مزایای امیدوارکننده‌ای در کشف دارو ارائه می‌دهد اما دارای چالش‌های متعددی نیز هست. یکی از چالش‌های مهم، دسترسی به داده‌های با کیفیت بالا است. مدل‌های هوش مصنوعی تنها به اندازه‌ کیفیت داده‌هایی که بر اساس آنها آموزش دیده‌اند مؤثر هستند و نتایج باید توسط کارشناسان انسانی اعتبارسنجی و تفسیر شوند. بنابراین، در‌حالی‌که هوش مصنوعی می‌تواند روش‌های سنتی را تقویت کند، نمی‌تواند جایگزین کامل تخصص انسانی شود. ترکیب قابلیت‌های پیش‌بینی هوش مصنوعی با روش‌های تحقیقاتی سنتی می‌تواند فرآیند کشف دارو را بهینه‌سازی کند، توسعه را تسریع بخشد و در عین حال دقت را حفظ کند. علاوه بر این، اطمینان از کیفیت و قابلیت اطمینان داده‌های مورد استفاده در آموزش مدل‌های هوش مصنوعی ضروری است. با پیشرفت تکنیک‌های هوش مصنوعی، دقت و کاربرد آنها در کشف دارو همچنان بهبود خواهد یافت، اما این چالش‌ها همچنان در مسیر ادغام گسترده‌تر آنها در صنعت داروسازی اساسی خواهند بود.

ملاحظات اخلاقی
سیستم‌های هوش مصنوعی نیاز به دسترسی به حجم عظیمی از داده‌ها، ازجمله اطلاعات پزشکی حساس دارند. اگر این داده‌ها به‌درستی مدیریت یا استفاده نشوند، می‌تواند عواقب جدی برای افراد به همراه داشته و به شهرت شرکت‌های مرتبط آسیب برساند. لازم است اطمینان حاصل شود که داده‌ها مطابق با قوانین مربوط به حفظ حریم خصوصی جمع‌آوری، ذخیره و استفاده شوند تا حقوق افراد حفظ شود.

نتیجه‌گیری و چشم‌انداز آینده
هوش مصنوعی انقلابی در کشف دارو به‌ویژه در حوزه‌ طراحی نوین داروها(de novo drug design) ایجاد خواهد کرد. در حالی که همچنان چالش‌هایی مانند تضمین کیفیت داده‌ها و بهبود قابلیت تفسیر مدل‌های هوش مصنوعی وجود دارد، آینده‌ هوش مصنوعی در کشف دارو امیدوارکننده است. برای بهره‌برداری کامل از پتانسیل هوش مصنوعی، ذینفعان باید با همکاری صنایع، دانشگاه‌ها و نهادهای نظارتی، مجموعه داده‌های با کیفیت بالا ایجاد کرده و مدل‌های هوش مصنوعی شفاف‌تری توسعه دهند. در آینده، ابزارهای هوش مصنوعی احتمالا در پروژه‌های کشف دارو به‌طور گسترده‌تری مورد استفاده قرار خواهند گرفت، زیرا ذی‌نفعان داده‌های خود را برای بهبود این مدل‌ها به اشتراک می‌گذارند. پیشرفت‌های مربوط به داروهای شخصی‌سازی شده، با وجود نتایج امیدوارکننده‌اش، نیازمند تضمین‌های قوی برای حفاظت از حریم خصوصی و امنیت داده‌ها خواهد بود. تحول مداوم هوش مصنوعی در کشف دارو، امیدهای بزرگی برای بهبود سرعت، کارایی و اثربخشی توسعه دارو ایجاد کرده و راه‌های جدیدی برای درمان بیماری‌های پیچیده و ارتقای کیفیت زندگی بیماران در سراسر جهان ارائه می‌دهد.

منابع:
Gangwal A, Lavecchia A. Unleashing the power of generative AI in drug discovery. Drug Discovery Today. 2024;29(6):103992.
Blanco-González A, Cabezón A, Seco-González A, Conde-Torres D, Antelo-Riveiro P, Piñeiro Á, Garcia-Fandino R. The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies. Pharmaceuticals. 2023;16(6):891.