ردپای هوش مصنوعی در داروسازی
به گزارش خبرنگار حوزه علم، فناوری و دانش‌بنيان گروه دانشگاه خبرگزاری آنا، تولید دارو یک فرایند بسیار پرهزینه و طولانی‌مدت است. اما بسیاری از فرآیندهای تحلیلی و آزمایشگاهی تولید دارو، به کمک تکنیک یادگیری ماشین می‌توانند کارآمدتر شوند و این امر ممکن است موجب صرفه‌جویی در سال‌ها کار و صدها میلیون دلار سرمایه‌گذاری گردد.
بیشتر بخوانید: روبات‌ها پیشتاز در کشف دارو/ روباتیک حریف کرونا می‌شود؟
گاهی ساخت و تولید یک داروی جدید و موثر، یک دهه یا بیشتر طول می‌کشد. اما انتظار می‌رود به کمک هوش مصنوعی، این وضعیت دگرگون شود. روش‌های مبتنی بر هوش مصنوعی، به دلیل برخورداری از قوای پردازشی و داده‌های کافی، قادر به یادگیری عملکرد داروهای موجود هستند که این می‌تواند در اصلاح و ارتقای عملکرد آنها تاثیر گذارد. در حال حاضر، سرویس DeepMind گوگل با استفاده از الگوریتم‌های هوش مصنوعی در حال تعیین پروتئین‌های احتمالی تشکیل‌دهنده‌ی ویروس کووید19 است.
همچنین شرکت BenevolentAI از جمله مشهورترین شرکت‌های دارویی متکی بر فناوری در حال تست و بررسی ترکیب‌های دارویی مختلف برای مقابله با این ویروس است. اما هوش مصنوعی چطور می‌تواند بر روند 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 کارآزمایی‌های بالینی
مرحله 4: یافتن نشانگرهای زیستی برای تشخیص بیماری
مرحله 1: اهداف درمانی
اولین قدم در تولید دارو، شناخت منشا بیولوژیکی بیماری و همچنین مکانیسم‌های مقاومت آن است. سپس شما باید اهداف خوبی را(به طور معمول پروتئین) برای درمان بیماری شناسایی کنید. در دسترس بودن گسترده تکنیک‌های با بازدهی بالا، مانند نظارت آران‌ای کوچک سنجاق‌سری(shRNA) و توالی عمیق، مقدار داده‌های موجود برای کشف درمان‌ها را به میزان قابل توجهی افزایش داده است. با این حال، در استفاده از تکنیک‌های سنتی، ادغام تعداد زیادی از پارامترها و تنوع منابع داده و سپس یافتن الگوهای مربوطه، هنوز هم یک چالش محسوب می‌شود. الگوریتم‌های یادگیری ماشین می‌توانند به راحتی همه داده‌های موجود را تجزیه و تحلیل کنند و حتی می‌توانند یاد بگیرند که به طور خودکار پروتئین‌های 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 میلیون‌ها ترکیب، از منظر تاثیرگذاری و همچنین از لحاظ عوارض جانبی(همچون مسمومیت) غربال می‌شوند. این ترکیبات می‌توانند طبیعی، مصنوعی یا زیستیِ مهندسی‌شده باشند.
سال‌ها است که برنامه‌های رایانه‌ای و نرم‌افزارهای پزشکی برای کمک به پژوهشگران در تسریع این حوزه توسعه یافته‌اند اما با این وجود، نرم‌افزارهای فعلی غالباً دقیق عمل نمی‌کنند و پیشنهادات بدی(مثبت کاذب) ارائه می‌دهند که در حقیقت گمراه‌کننده هستند و بنابراین مدت زمان بسیار طولانی طول می‌کشد تا گزینه‌های متعدد را از بین آنها به بهترین کاندیداهای دارو (که به عنوان ترکیب پیشرو یا Lead compound شناخته می‌شود) محدود کنید.
با هوش مصنوعی می‌توان به ماشین آموخت که مناسب بودن یا نبودن یک مولکول بر اساس آثار ساختاری و توصیف کننده‌های مولکولی‌اش چگونه است. سپس آنها میلیون‌ها مولکول بالقوه را غربال می‌کنند تا به بهترین گزینه‌ها برسند؛ مواردی که دارای حداقل عوارض جانبی نیز هستند. این امر در نهایت موجب صرفه‌جویی در وقت زیادی در طراحی دارو می‌شود.
مرحله 3: آزمایشات بالینی
یافتن کاندیداهای مناسب برای آزمایش‌های بالینی کار دشواری است. اگر کاندیداهای اشتباهی را انتخاب کنید، آزمایشات طولانی‌تر خواهند شد و هزینه و زمان زیادی صرف می‌شود.
یادگیری ماشین می‌تواند با شناسایی خودکار کاندیداهای مناسب و همچنین اطمینان از توزیع صحیح گروه‌های شرکت‌کنندگان در کارآزمایی، به طراحی کارآزمایی بالینی سرعت ببخشد. الگوریتم‌ها می‌توانند به شناسایی الگویی بپردازند که کاندیداهای خوب را از بد جدا کند. آنها همچنین می‌توانند یک سیستم هشداردهنده زودرس را تدارک ببینند تا وقتی برای هوش مصنوعی محرز شده است که آزمایش یک ترکیب به سرانجام نخواهد رسید به محققان اطلاع دهد زودتر مداخله کنند و به طور بالقوه موجب صرفه‌جویی در ساخت دارو شوند.
مرحله 4: شناسایی نشانگرهای زیستی برای تشخیص
پزشکان فقط وقتی می‌توانند بیماران را معالجه کنند و به او دارویی تجویز کنند که از تشخیص خود مطمئن شوند. برخی از روش‌ها بسیار گرانقیمت هستند و شامل تجهیزات آزمایشگاهی پیچیده و همچنین دانش تخصصی هستند؛ مانند توالی ژنوم.
نشانگرهای زیستی مولکول‌هایی هستند که در مایعات بدن(به طور معمول خون انسان) یافت می‌شوند و به قطعیت تعیین می‌کنند که بیمار دارای بیماری است یا خیر. آنها فرایند تشخیص بیماری را ایمن و ارزان می‌کنند. پس شما همچنین می‌توانید برای مشخص کردن پیشرفت بیماری از آنها استفاده کنید، بدین ترتیب پزشکان درمان مناسب را پیدا می‌کنند و متوجه می‌شوند که آیا دارو کارش را درست انجام می‌دهد یا خیر.
اما کشف نشانگرهای زیستی مناسب برای تک تک بیماری‌ها کار وقت‌گیری است. این کار، فرایندی پرهزینه نیز است زیرا شامل غربالگری ده‌ها هزار کاندیدای بالقوه مولکولی می‌شود. هوش مصنوعی می‌تواند بخش بزرگی از کاری که عموما به صورت دستی انجام می‌شده است را به صورت خودکار انجام دهد و روند کار را سرعت ببخشد. این الگوریتم‌ها مولکول‌ها را به کاندیداهای خوب و بد طبقه‌بندی می‌کنند و این موجب می‌شود که پژوهشگران بتوانند روی بهترین چشم‌اندازها تمرکز کنند.از نشانگرهای زیستی می‌توان 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 بی‌تردید توانمندی‌ها و قابلیت‌های زیادی دارد اما عده‌ای همچون ایلان ماسک اعتقاد دارند نمی‌توان به طور تمام و کمال به فناوری اعتماد کرد، خصوصا زمانی که بحث سلامتی انسان به میان می‌آید. بهمن ماه سال گذشته، استارت‌آپ Exscientia ادعا کرد برای اولین بار تماما از طریق مصنوعی، دارویی را تولید کرده است که قرار است به صورت بالینی بر روی انسان‌ها 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؟
انتهای پیام/4144/
انتهای پیام/