توسعه یک داروی جدید فرایندی طولانی، پرهزینه و همراه با ریسک بالای شکست است. بسیاری از داروهایی که در مراحل اولیه تحقیق و توسعه بررسی می‌شوند، هرگز به مرحله استفاده برای بیماران نمی‌رسند. این چالش در مورد داروهای زیستی که از پروتئین‌های مهندسی‌شده ساخته می‌شوند، پیچیدگی بیشتری دارد. اکنون هوش مصنوعی در کشف دارو به یکی از مهم‌ترین فناوری‌های صنعت داروسازی تبدیل شده و شرکت‌هایی مانند AstraZeneca در حال توسعه زیرساخت‌های جدیدی برای استفاده گسترده‌تر از آن هستند.

نقش هوش مصنوعی در طراحی دارو

دانشمندان برای کشف یک داروی مؤثر باید میلیون‌ها ترکیب مولکولی احتمالی را بررسی کنند تا گزینه‌هایی را بیابند که بتوانند به هدف موردنظر متصل شوند، در بدن انسان پایدار بمانند و امکان تولید در مقیاس صنعتی را داشته باشند. هوش مصنوعی می‌تواند این فرایند را با تحلیل حجم عظیمی از داده‌ها و پیش‌بینی عملکرد مولکول‌ها سریع‌تر کند. در رویکرد جدید، مدل‌های هوش مصنوعی ابتدا گزینه‌های احتمالی را تولید یا اولویت‌بندی می‌کنند و سپس دانشمندان تنها بهترین گزینه‌ها را برای آزمایش‌های آزمایشگاهی انتخاب می‌کنند. به گفته Puja Sapra، معاون ارشد و مدیر مهندسی تحقیق و توسعه داروهای زیستی در AstraZeneca، تقریباً تمام مراحل طراحی، ساخت، آزمایش و تحلیل اکنون با ابزارهای محاسباتی تقویت شده‌اند. نتیجه این روند، کاهش زمان چرخه‌های تحقیقاتی، افزایش بهره‌وری و امکان آزمایش سریع‌تر ایده‌های جدید است.

حرکت به سمت طراحی داروهای پیچیده‌تر

یکی از مهم‌ترین کاربردهای آینده هوش مصنوعی و داروسازی، توسعه نسل جدیدی از داروهای زیستی است. برخلاف بسیاری از داروهای سنتی که یک مسیر بیماری را هدف قرار می‌دهند، داروهای نسل آینده می‌توانند چندین هدف را به‌طور هم‌زمان تحت تأثیر قرار دهند یا دارو را به‌صورت دقیق به سلول‌های خاص منتقل کنند. هوش مصنوعی می‌تواند در چنین شرایطی چندین متغیر را به‌صورت هم‌زمان بهینه‌سازی کند؛ از جمله قدرت اثرگذاری، پایداری، قابلیت تولید، ایمنی و انتخاب اهداف مناسب. این فناوری می‌تواند به دانشمندان کمک کند بیماری‌هایی را هدف قرار دهند که تاکنون درمان آن‌ها بسیار دشوار یا حتی غیرممکن تصور می‌شد.

اهمیت داده در کشف دارو با هوش مصنوعی

قدرت مدل‌های هوش مصنوعی به کیفیت داده‌های آموزشی آن‌ها وابسته است. در کشف دارو، هر آزمایش، چه موفق و چه ناموفق، اطلاعات ارزشمندی درباره عملکرد مولکول‌ها تولید می‌کند. AstraZeneca از مجموعه‌ای گسترده و اختصاصی از داده‌های چندوجهی شامل ساختارهای مولکولی، اندازه‌گیری‌های اتصال، اطلاعات ایمنی و نتایج تولید استفاده می‌کند. این داده‌ها می‌توانند برای آموزش و بهینه‌سازی مدل‌های پیشرفته هوش مصنوعی به کار گرفته شوند و دقت پیش‌بینی‌ها را افزایش دهند.

آزمایشگاه آینده؛ ترکیب هوش مصنوعی و رباتیک

AstraZeneca در حال توسعه یک «آزمایشگاه آینده» در کمبریج ماساچوست است که در آن هوش مصنوعی، رباتیک و تجهیزات آزمایشگاهی در یک چرخه بسته و پیوسته با یکدیگر کار خواهند کرد. در این سیستم، هوش مصنوعی پیش‌بینی‌ها را انجام می‌دهد، ربات‌ها آزمایش‌ها را اجرا می‌کنند و تجهیزات علمی داده‌های جدید تولید می‌کنند. سپس این داده‌ها دوباره وارد مدل‌های هوش مصنوعی می‌شوند تا چرخه بعدی با دقت بیشتری انجام شود. در آینده، سیستم‌های خودکار می‌توانند هزاران تعامل مولکولی را در هفته تولید و ارزیابی کنند و داده‌هایی با حجم بسیار بیشتر از روش‌های سنتی در اختیار مدل‌های هوش مصنوعی قرار دهند.

طراحی دارو از صفر با هوش مصنوعی

چشم‌انداز نهایی این فناوری، طراحی de novo دارو است؛ یعنی هوش مصنوعی بتواند یک توالی پروتئینی کاملاً جدید را از ابتدا طراحی کند که دقیقاً ویژگی‌های مورد نیاز یک دارو را داشته باشد. این فرایند شامل طراحی ساختار، پیش‌بینی ایمنی، بررسی رفتار مولکول در بدن و ارزیابی امکان تولید صنعتی خواهد بود. با این حال، رسیدن به این هدف به داده‌های استانداردتر، معیارهای ارزیابی دقیق‌تر و همکاری نزدیک متخصصان هوش مصنوعی و زیست‌شناسی نیاز دارد. یکی از مهم‌ترین چالش‌ها نیز پیش‌بینی ایمنی مولکول‌های تولیدشده توسط هوش مصنوعی است. AstraZeneca برای حل این مشکل از مدل‌های پیشرفته سلولی و مدل‌های میکروسکوپی اندام‌ها در کنار هوش مصنوعی استفاده می‌کند تا پیش از ورود دارو به مراحل بالینی، رفتار آن را بهتر ارزیابی کند.

در نهایت، آینده کشف دارو تنها به خودکارسازی وابسته نیست. دانشمندان و مهندسان همچنان نقش مهمی در نظارت، تصمیم‌گیری و اطمینان از شفافیت و ایمنی سیستم‌ها خواهند داشت. ترکیب هوش مصنوعی، رباتیک و تخصص انسانی می‌تواند مسیر توسعه داروهای جدید را سریع‌تر کرده و در آینده به تولید درمان‌هایی برای بیماری‌هایی منجر شود که تاکنون گزینه‌های درمانی محدودی داشته‌اند.

منبع خبر: technologyreview