بکارگیری هوش مصنوعی برای کشف دارو

در سال‌های اخیر شرکت‌های تازه تاسیس با استفاده از هوش مصنوعی در تولید دارو و آزمایشات بالینی سرمایه‌گذاری قابل توجهی داشته‌اند و فروشندگانی که به طور خاص بر روی طراحی و کشف دارو تمرکز کرده‌اند، در مجموع بودجه 5.2 میلیارد دلاری بین سال‌های 2012 و 2019 را دریافت نموده‌اند.

موتورهای اطلاعاتی

موتورهای اطلاعاتی هسته‌های اساسی در پشت برنامه‌ها در کشف دارو و آزمایشات بالینی هستند، به عنوان تجمیع‌کننده و لایه‌ی سنتز اطلاعات اساسی مورد استفاده قرار می‌گیرند و سایر برنامه‌ها می‌توانند بینش، نتیجه‌گیری و توابع خود را بر اساس این اطلاعات ارائه دهند. اطلاعات موجود در دسترس دانشمندان امروز به طور تصاعدی در حال افزایش است، بنابراین هدف از موتورهای اطلاعاتی در حال توسعه این است که به دانشمندان کمک کند تا تمام این اطلاعات را به روز کنند، جمع کنند و داده هایی را که احتمالاً برای یک مطالعه خاص مرتبط هستند، استخراج کنند.

اطلاعاتی که وارد این موتورها می‌شود بسیار متفاوت است. یک موتور پیشرفته اطلاعات بسیاری را از منابع مختلفی مانند انتشارات تحقیقات علمی‌، سوابق پزشکی، مجلات پزشکان، اطلاعات زیست پزشکی مانند اهداف دارویی شناخته شده، اطلاعات خاص بیماری، داده‌های آزمایش بالینی تاریخی، اطلاعات ثبت اختراع از مولکول‌هایی که در حال حاضر در جهان مورد بررسی قرار می‌گیرند، شرکت‌های داروسازی ، داده‌های اختصاصی شرکت‌ها از مطالعات تحقیقاتی داخلی در داروخانه، داده‌های توالی ژنومی، داده‌های تصویربرداری رادیولوژی ، داده های گروهی و حتی سایر شواهد در دنیای واقعی مانند جامعه و داده های محیطی جمع‌آوری می‌کند.

در یک مطالعه که اخیرا صورت گرفته است، در مورد چگونگی استفاده از این موتورهای اطلاعاتی در آزمایشات بالینی برای افزایش میزان موفقیت و کاهش هزینه های آزمایش مربوطه بحث شده است. هنگامی که صحبت از فرایندهای بالادستی مربوط به کشف دارو می شود، هدف تولید، تجزیه و تحلیل این حجم زیاد از اطلاعات برای کمک به دانشمند در درک مکانیسم‌های بیماری و انتخاب امیدوار‌کننده‌ترین اهداف‌، کاندیداهای دارویی یا نشانگرهای زیستی یا برای کمک به برنامه طراحی دارو در ایجاد طرح‌های مولکولی و یا بهینه‌سازی ترکیبی با خواص مطلوب می‌باشد. اطلاعات معمولاً با استفاده از یک نمودار دانش ارائه می‌شود که روابط بین بیماری‌ها، ژن‌ها‌، داروها و سایر موارد را نشان می‌دهد که محقق سپس برای شناسایی هدف، کشف نشانگرهای زیستی یا سایر موارد تحقیقاتی، از این نمودار استفاده می‌کند.

هوش مصنوعی و طراحی دارو

طراحی دارو

برنامه های طراحی دارو مبتنی بر هوش مصنوعی، مستقیماً با ساختار مولکولی داروها سر و کار دارند. آن‌ها داده‌ها و بینش‌ها را از موتورهای اطلاعاتی برای کمک به تولید کاندیداهای جدید دارو، تأیید اعتبار یا بهینه‌سازی داروها، یا استفاده مجدد از داروهای موجود برای مناطق جدید درمانی به دست می‌آورند.

برای شناسایی هدف، از یادگیری ماشین برای پیش بینی اهداف بالقوه بیماری استفاده می‌شود و یک تریاژ هوش مصنوعی به طور معمول اهداف را بر اساس فرصت‌های شیمیایی، ایمنی و قابلیت مصرف دارو بررسی می‌کند و آن‌ها را با بیشترین اهداف امیدوار‌کننده رتبه‌بندی می‌کند. سپس این اطلاعات به برنامه طراحی دارو منتقل می‌شود که ترکیبات با خصوصیات دلخواه را قبل از انتخاب برای سنتز بهینه می‌کند. داده‌های تجربی از ترکیبات انتخاب شده را می‌توان مجدداً در مدل قرار داد تا داده‌های اضافی برای بهینه‌سازی تولید شود.

برای استفاده مجدد دارو، داروهای موجود مورد تأیید برای مناطق درمانی خاص در مقایسه با اهداف احتمالی در بیماری‌های مشابه مقایسه می‌شوند که این امر فرصتی را برای درآمد اضافی از داروهای قبلاً توسعه یافته ایجاد می‌کند. همچنین باعث تسکین بالقوه مناطق درگیر با بیماری جدید می‌شود که در این مناطق تولید یک ترکیب جدید سودآور نیست. علاوه بر این، در نظر گرفتن استفاده مجدد از داروها در هنگام تولید داروی جدید، ممکن است منجر به سودآوری داروهای چند منظوره در بازار در سال‌های آینده شود.

هوش مصنوعی در مبارزه با ویروس کرونا

هوش مصنوعی و طراحی داروی کرونا

سرمایه‌گذاری قابل توجه در زمینه هوش مصنوعی برای تولید دارو باعث شده است که شرکت های نوپا از نیروی انسانی و منابع لازم برای توسعه فناوری‌های خود استفاده کنند. در مقایسه با هوش مصنوعی در تصویربرداری پزشکی، سرمایه‌گذاری در بخش کشف دارو 4 برابر بوده است با این که تعداد استارتاپ‌ها حدودا یکسان می‌باشد. این باعث می شود میانگین مبلغ معامله AIدر تولید دارو 3.5 برابر بیشتر از تصویربرداری پزشکی باشد. این بودجه برای گسترش و ایجاد ظرفیت قابل توجهی هزینه شده است‌، زیرا تعداد کل کارمندان در سراسر این شرکت‌های تازه تأسیس هوش مصنوعی در حال حاضر نزدیک به 10 هزار نفر در سطح جهان است.

با گسترش ویریوس کرونا در جهان، توجهی قوی برای سرمایه‌گذاران استارتاپی برای ایجاد مشارکت با صنعت دارو به وجود آمده است که برای بسیاری از استارتاپ‌ها که هنوز در مراحل اولیه تولید محصول هستند، این امکان را به وجود آورده است که راه حل‌های خود را آزمایش کرده، بهینه‌سازی کنند و اثبات مفهوم را به عنوان پایه ای برای معاملات اضافی ایجاد کنند.

برای استارتاپ‌هایی که پیشرفت بیشتری داشته‌اند، مشارکت با صنعت داروسازی، سرمایهگذاری‌های اولیه را به صورت اشتراك یا هزینه مشاوره و مبالغ بالقوه پرداختی برای نامزدهای جدید دارویی تبدیل می‌كند و این شركت‌ها را برای سرمایه‌گذاری‌های بیشتر، IPO، خرید یا موفقیت مداوم آماده می‌كند.

بنابراین بسیاری از استارتاپ‌های هوش مصنوعی در مرحله‌ای قرار دارند که راه حلی آماده دارند یا به دنبال مشارکت بیشتر هستند یا مایلند راه حل و توانایی‌های خود را به نمایش بگذارند. بنابراین بیماری همه‌گیر Covid-19به عنوان یک آزمایش مهم برای بسیاری از این استارتاپ‌ها مطرح شده است، جایی که آن‌ها می‌توانند ارزش فناوری‌های خود را نشان دهند و امیدوارند که جهان بتواند سریع‌تر از این بحران عبور کند.

لازم به یادآوری است که حتی اگر هوش مصنوعی به محققان در شناسایی اهداف و طراحی سریعتر مولکول‌های جدید کمک کند، آزمایش بالینی و تأیید نتایج حدوداً یک سال به طول خواهد انجامید. بنابراین، در حالی که منتظر تولید واکسن یا داروی جدید هستیم، تیم های دیگر به دنبال داروهای موجود در بازار هستند که می تواند برای درمان Covid-19 دوباره مورد استفاده قرار گیرد. بعضی از شرکت‌ها از موتور اطلاعاتی مبتنی بر یادگیری ماشین خود برای جستجوی داروهای قبلاً تأیید شده‌ای که می‌توانند روند عفونت را مسدود کنند، استفاده نموده‌اند. آن‌ها پس از تجزیه و تحلیل خصوصیات شیمیایی ، داده‌های پزشکی و مقالات علمی، باریسیتینیب را به عنوان یك كاندیدای بالقوه برای درمان Covid-19 شناسایی كردند كه به طور معمول برای درمان آرتریت روماتوئید متوسط و شدید استفاده می‌شود.

اگرچه در حال حاضر اتفاقات زیادی در این صنعت می‌افتد و پیشنهادات زیادی در مورد اینکه چه چیزی می‌تواند به عنوان درمانی برای Covid-19 مؤثر باشد مطرح می‌شود، چه از بین داروهای موجود در بازار و چه از مولکول‌های جدیدی که توسط توسعه‌دهندگان داروهای AIطراحی شده‌اند، اما جامعه علمی و پزشکی و همچنین نهادهای نظارتی از روش علمی غافل نمی‌شوند. پیشنهادها و ایده‌های جدید برای پیشرفت ضروری است، اما در آزمایش و اعتبارسنجی فرضیه‌ها نیز دقت لازم وجود دارد. در مجموع می‌توان گفت که یک رویکرد سیستماتیک، که با استفاده از یافته های سریعتر با استفاده از هوش مصنوعی و ذهن‌های روشن در همکاری با یکدیگر ایجاد می‌شود، نتیجه بهتری خواهد داشت.