طراحی دارو توسط هوش مصنوعی

برای دهه‌ها، محققان در جستجوی یک راه سریع برای کشف دارو بوده‌اند. با این حال، این فرآیند به تدریج کندتر، همراه با ریسک بیشتر و هزینه‌های گزاف‌تر شده است. به طور معمول، از آغاز یک برنامه کشف تا زمانی که نهادهای ملی نظارت بر دارو مجوز بازاریابی را صادر کنند، ۱۲ تا ۱۵ سال طول می‌کشد. تقریباً نُه دارو از هر ده دارویی که وارد آزمایش‌های بالینی می‌شوند، تأیید نمی‌شوند. تخمین‌ها نشان می‌دهند که هزینه‌های به بازار رسیدن یک دارو حدود ۲.۵ میلیارد دلار آمریکا است.

هوش مصنوعی پس از ورود به عرصه پزشکی و دارویی، با طراحی داروهای جدید با سرعت و کارآیی بی‌سابقه، فرایند کشف دارو را متحول نموده است. این فناوری به دانشمندان امکان می‌دهد که پروفایل‌های دارویی مورد نظر خود را طراحی کنند و هوش مصنوعی مولکول‌های پتانسیلی را تولید کند که با معیارها همخوانی دارند و منجر به کشف کلاس‌های جدید دارو و استراتژی‌های درمانی می‌شود.

در فوریه ۲۰۲۲، پژوهشگران در گروه مشاوره‌ای بوستون (BCG)، که در ماساچوست مستقر است، از بررسی بخش تحقیقاتی ۲۰ شرکت دارویی نوپا که از هوش مصنوعی استفاده می‌کنند بین سال‌های ۲۰۱۰ تا ۲۰۲۱ خبر دادند. با استفاده از آمارهای گروه BCG حدود ۱۵ نامزد دارویی از این شرکت‌ها به مرحله آزمایش‌های بالینی رسیده‌اند. هشت نامزد در کمتر از یک دهه به مرحله آزمایش‌های بالینی رسیده‌اند. پنج تای آن‌ها هم در کمتر از میانگین زمانی معمول به این مرحله رسیده‌اند.

ساخت یک دارو شامل چندین مرحله خاص است. این فرآیند اغلب با شناسایی یک هدف بیولوژیکی که مسئول یک بیماری است (شامل DNA، RNA، یک گیرنده پروتئینی یا یک آنزیم) آغاز می‌شود و سپس غربالگری برای مولکول‌هایی که ممکن است با آن تعامل داشته باشند ادامه می‌یابد. این مرحله به عنوان مرحله ‘کشف’ نامیده می‌شود. برای اکثر داروها، نامزدهای حاصل، مولکول‌های کوچک هستند و شیمیدان‌های دارویی برای بهبود فعالیت آنها و کاهش هرگونه مشکل مرتبط با آن به کار و تحقیق می‌پردازند. اگر این مرحله موفقیت‌آمیز باشد، محققان یک مولکول پیشرو را برای ورود به مرحله بعدی یعنی آزمایش‌های پیش بالینی، توسعه می‌دهند. این توسعه شامل آزمایش‌هایی است که به دانشمندان کمک می‌کند تا درک کنند چگونه یک نامزد دارو در بدن حیوان حمل، تجزیه و دفع می‌شود. این کار همچنین به سؤالاتی در مورد ایمنی و دوز دارو، قبل از اینکه آن دارو برای آزمایش‌های بالینی تأیید شود، پاسخ می‌دهد. مراحل کشف و پیش بالینی دارو به طور متوسط شش سال طول می‌کشد.

مدل‌های هوش مصنوعی تولیدی، دیتاست‌های بزرگ را تجزیه و تحلیل می‌کنند تا مدل‌های دارویی امیدوارکننده را شناسایی کنند، مولکول‌های جدید طراحی کنند و نتایج آزمایشات بالینی را با دقت بالا پیش‌بینی کنند. شرکت‌هایی مانند Insilico Medicine و Exscientia از هوش مصنوعی جهت ساخت داروهایی برای بیماری‌های مختلف از جمله سرطان، آلزایمر و بیماری‌های نادر مانند فیبروز ریه ایدیوپاتیک استفاده می‌کنند. این داروهای طراحی شده توسط هوش مصنوعی به آزمایشات بالینی برای انسان پیش می‌روند که نشانگر یک مرحله مهم در توسعه داروهای Generative AI است.

هوش مصنوعی تولیدی، تعاملات تامین دارو را پیش‌بینی می‌کند، آزمایشات بالینی را بهینه می‌کند و کارایی عملیاتی را در فرآیندهای کشف و ساخت دارو افزایش می‌دهد. این فناوری به محققان امکان می‌دهد که فضای شیمیایی بسیار گسترده‌تری را جستجو کنند که فراتر از روش‌های سنتی است و باعث شتاب بخشیدن به کشف داروهای نجات‌بخش و درمان‌های منحصر به فرد برای هر بیمار شود.

بیشتر بخوانید: هوش مصنوعی تولیدی چیست و چرا مهم است؟

ادغام هوش مصنوعی در فرآیندهای کشف و توسعه داروها نه تنها سرعت توسعه محصول را افزایش می‌دهد بلکه کیفیت، ایمنی و استفاده از منابع محصول را نیز بهبود می‌بخشد و صنعت داروسازی را موثرتر و مقرون‌به‌صرفه تر می‌کند. در حالی که هوش مصنوعی چالش‌ها و نگرانی‌هایی مانند جایگزینی شغل‌ها و مسائل نظارتی را ایجاد می‌کند، در توسعه داروها نقش به‌سزایی دارد و پیش‌بینی می‌شود در آینده نزدیک، فرآیندهای توسعه دارو را با سرعت، هوشمندی و کارایی بیشتری انجام دهد.

به گفته مدیرانی که در تلاقی هوش مصنوعی و مراقبت‌های بهداشتی فعالیت می‌کنند، این حوزه در مسیری قرار دارد که در آینده نزدیک داروها به طور کامل توسط هوش مصنوعی تولید می‌شوند؛ به گفته برخی از آن‌ها، حداکثر تا چند سال آینده این امر به عنوان یک روال در کشف دارو تبدیل می‌شود.

بیشتر بخوانید: ۵ ابزار برتر هوش مصنوعی در پزشکی

هوش مصنوعی در پیش‌بینی عوارض جانبی داروها، به چندین روش کمک می‌کند که این امکانات عمدتاً از توانایی‌های پیشرفته تجزیه و تحلیل داده‌ها و یادگیری ماشین ناشی می‌شوند. در اینجا به برخی از اصلی‌ترین روش‌ها اشاره می‌کنیم:

1. تجزیه و تحلیل داده‌های بزرگ: AI می‌تواند مقادیر زیادی از داده‌های مرتبط با داروها، از جمله داده‌های تجربی، کلینیکی و مولکولی را تجزیه و تحلیل کند. این داده‌ها می‌توانند شامل نتایج آزمایش‌های پیش بالینی، داده‌های آزمایش‌های بالینی و حتی بازخوردهای پس از ورود دارد به بازار باشند.
2. الگوریتم‌های یادگیری عمیق: هوش مصنوعی با استفاده از شبکه‌های عصبی عمیق و سایر تکنیک‌های یادگیری ماشین، می‌تواند الگوهای پیچیده‌ای را در داده‌ها کشف کند که ممکن است برای انسان‌ها قابل تشخیص نباشند. این الگوها می‌توانند در پیش‌بینی احتمال بروز عوارض جانبی خاص در بیماران مختلف مورد استفاده قرار گیرند.
3. پیش‌بینی مسمومیت دارویی: یکی از عوامل مهم در بروز عوارض جانبی، تعامل و ترکیب داروهای مختلف است. هوش مصنوعی می‌تواند تعاملات پتانسیلی بین مولکول‌ها را مدل‌سازی کرده و پیش‌بینی کند که چگونه این تعاملات ممکن است منجر به عوارض جانبی شود.
4. سیستم‌های پیشنهاد دهنده دارو: هوش مصنوعی می‌تواند برای توسعه سیستم‌های پیشنهاد دهنده که داروهای مناسب را با کمترین ریسک عوارض جانبی برای بیماران خاص پیشنهاد می‌کنند، استفاده شود. این سیستم‌ها می‌توانند در تصمیم‌گیری‌های پزشکی برای انتخاب بهترین دارو برای هر بیمار به صورت فردی مفید باشند.
5. آنالیز رتبه‌بندی ریسک: هوش مصنوعی می‌تواند به تحلیل و رتبه‌بندی ریسک عوارض جانبی مختلف برای داروهای جدید کمک کند، که این به شرکت‌های دارویی اجازه می‌دهد تا در مراحل اولیه توسعه دارو، عوارض جانبی احتمالی را شناسایی و مدیریت کنند.
6. تجزیه و تحلیل داده‌های متنی: هوش مصنوعی می‌تواند داده‌های متنی را از مقالات پژوهشی، گزارش‌های بالینی و حتی بازخوردهای بیماران در شبکه‌های اجتماعی تجزیه و تحلیل کند تا اطلاعات جدیدی در مورد عوارض جانبی داروها به دست آورد.

با توجه به این تکنیک‌ها، هوش مصنوعی نقش مهمی در بهبود ایمنی دارویی و کاهش ریسک‌های مرتبط با درمان‌های دارویی ایفا می‌کند. این فناوری به طور فزاینده‌ای به عنوان ابزاری کلیدی در صنعت داروسازی و پزشکی برای افزایش کارآمدی و ایمنی درمان‌ مورد استفاده قرار می‌گیرد.