• کشف چیست؟

در ریاضیات، این سوال قدیمی وجود دارد که آیا ریاضیات جدید کشف و یا اختراع شده‌است. منطقی به نظر می‌رسد که همان سوال را در مورد کشف داروهای مدرن بپرسید. زمانی که از هوش مصنوعی برای شناسایی کاندیدهای دارویی استفاده می‌کنید، آیا این کاندیدهای جدید دارویی در حال توسعه هستند، یا به سادگی در معرض فرآیند محدود کردن احتمالات با استفاده از ریاضیات و علوم قرار می‌گیرند؟ آیا این کاندیدهای جدید دارو کشف یا طراحی شده‌اند؟ یا شاید این یک تمایز بدون تفاوت است.

پیشرفت سریع در زمینه شناسایی واکسن COVID19، تکنیک‌های خودکار جدیدی را برای کشف دارو با استفاده از هوش مصنوعی به وجود آورده‌است. برای مثال، هوش مصنوعی در شرکت‌های دارویی مانند هوش مصنوعی برای یافتن کاندیدهای دارویی در میان داروهای موجود به کار می‌رود. از نظر درمانی، هوش مصنوعی تکاملی ۶ مولکول را کشف کرد که وارد فرآیند تایید بالینی شدند. علاوه بر کشف داروهای جدید، شرکت‌هایی مانند Innoplexus, Deargen, Gero, Cyclica, Healx, VantAI و دیگران از هوش مصنوعی برای استفاده مجدد از داروهای موجود برای مصارف جدید استفاده می‌کنند. شرکت‌هایی مانند Insilico Medicine, Exscientia, SRI International, Iktos و دیگران در حال اختراع داروهای جدید با استفاده از هوش مصنوعی هستند. شرکت‌های زیست دارویی در سراسر جهان در حال حاضر در حال اتخاذ استراتژی‌های هوش مصنوعی برای ادغام فرآیند کشف خود هستند. برای مثال، Atomwise فرآیند کشف مولکول برای سرطان‌های کودکان را با اجرای الگوریتم های یادگیری عمیق و پلتفرم‌های ابرکامپیوتر الاستیک برای پیش‌بینی داروهای بالقوه تسریع می‌کند. هدف اصلی آن‌ها کاهش زمان لازم برای شناسایی و توسعه روش‌های درمانی مناسب است. مثال دیگر، پروژه MELOD است، که یک راه‌حل مبتنی بر زنجیره بسته است که هدفش توسعه یک پلتفرم یادگیری ماشینی است که می‌تواند از هزاران مجموعه داده اختصاصی تولید شده در طول فرآیند کشف دارو یاد بگیرد. این پروژه، پس از توسعه کامل، می‌تواند شناسایی مولکول‌های کوچک که بیش‌ترین امید را برای تحقیقات آتی دارند را آسان‌تر کند. این شرکت‌ها بخشی از تغییر گسترده شرکت‌های بیشتر و بیشتری هستند که از یادگیری ماشینی برای یافتن کاربردهای جدید برای مواد مخدر و داروهای جدید برای امتحان استفاده می‌کنند. وقتی الگوریتم‌ها می‌توانند کشف دارو را انجام دهند، منطقی به نظر می‌رسد که بپرسیم: کشف دارو واقعا به چه معناست؟

  • بینش‌هایی که از نظر پنهان شده‌اند؟

برای پاسخ به این سوال، بهتر است نگاهی دقیق‌تر به کاربردهای هوش مصنوعی در کشف دارو و حوزه‌های مرتبط با آن بیندازید تا درکی از مفاهیم عملی و تجاری این تکنولوژی جدید به دست آورید. هوش مصنوعی کاربردهای زیادی در کشف دارو دارد، و آزمایشگاه‌های تحقیقاتی پیشرفت خود را براساس کار اولیه با این تکنیک‌ها، کشف فصل مشترک توسعه دارو و الگوریتم هایی که می‌توانند یاد بگیرند، به مرحله تجاری ترجمه کرده‌اند. حتی NVIDIA هم وارد عمل شد. یک روش محاسباتی است که در آن بسیاری از ترکیبات مولکول‌ها در کامپیوتر «آزمایش» می‌شوند. رویکرد دیگر، کشف بینش‌هایی است که از نظر پنهان است، و بسیار فراتر از عرصه کشف دارو محبوب است. تجزیه و تحلیل داده‌های بزرگ به مجموعه‌ای جدید و هیجان‌انگیز از تکنیک‌ها برای تقطیر بینش‌های جدید از داده‌های موجود تبدیل شده‌است. برای مثال، اخیرا یک روش جالب در Nature منتشر شد که ارزیابی می‌کرد چگونه ویژگی‌های شیمیایی مختلف مواد با متن مجموعه داده بزرگ مقالات تحقیقاتی مرتبط است. در آن کار توسط محققان آزمایشگاه ملی UC Berkeley و Lawrence Berkeley، به جای جستجو در داده‌های مولکولی روی این مواد، کشف شد که استفاده از یادگیری بدون نظارت برای نمایش دانش علم مواد موجود در متون علمی می‌تواند برای معرفی مواد برای کاربردهای کاربردی چند سال قبل از کشف آن‌ها استفاده شود. این ایده که دانش جدید در یک دید پنهان شده‌است، برای کشف دارو بسیار جالب است. در سال ۲۰۱۷، یک محقق از دانشگاه چیو در توکیو یک تکنیک متقاعد کننده دیگر را در طبیعت منتشر کرد که مجموعه‌ای از ژن‌ها و ترکیبات را شناسایی کرد که به طور قابل‌توجهی با تعاملات ژن و دارو همپوشانی داشتند. محققان از این تکنیک برای شناسایی دو ژن امید بخش درمانی-هدف استفاده کردند و برای محصولات پروتئینی شان، آن‌ها یک داروی کاندید امیدوار کننده برای سیروز (یک بیماری شایع با چند گزینه درمانی خوب) را شناسایی کردند.

  • کلان داده

براساس گزارش اخیر Deloitte، موارد استفاده از هوش مصنوعی در صنعت کشف دارو می‌تواند هزینه چرخه کشف دارو را سرعت بخشیده و کاهش دهد. معمولا، این چرخه ۵ تا ۶ سال از شروع مرحله تحقیق و اکتشاف تا آزمایش پیش بالینی طول می‌کشد. به طور متوسط ۱۰ تا ۱۲ سال و تقریبا ۲ میلیارد دلار برای هر دارو، فقط برای راه‌اندازی و تولید. با این حال، با توجه به Deloitte، زمانی که این داروی جدید به بازار می‌رسد، بازده مورد انتظار سرمایه‌گذاری زیر ۲٪ است. اگر اکتشافات خودکارانه‌تر باشند، صنعت دارو سودآورتر خواهد بود و هزینه راه‌اندازی داروهای جدید به بازار را کاهش خواهد داد. هوش مصنوعی یک راه‌حل امیدوار کننده برای حمایت از توسعه اولیه داروهای جدید است. با توجه به گزارش Deloitte، راه‌حل‌های هوش مصنوعی می‌توانند زمان صرف‌شده در مراحل کشف دارو را کاهش داده و مهم‌ترین جنبه‌های آن که عبارتند از خود کشفی و مراحل پیش بالینی را با ضریب ۱۵ سرعت بخشند. این نوع پروژه به داده‌های زیادی نیاز دارد، و قطعا نیازمند تنظیم خوبی است که باعث می‌شود فرآیند بیشتر شبیه علم و اکتشاف به نظر برسد تا مهندسی و طراحی. شاید حقیقت واقعا جایی در میانه باشد.

  • کشف یا طراحی؟

با نگاهی به استفاده از نرم‌افزار در یک پروژه مقیاس بزرگ مانند پروژه ژنوم انسان، فرآیند کشف دارو، و سرعتی که شرکت‌ها از هوش مصنوعی برای کشف و تحقیق دارو استفاده می‌کنند، نمی توان گفت که تا سال ۲۰۳۰، فرایندهای کشف دارو عمدتا توسط نرم‌افزار هوش مصنوعی هدایت خواهند شد. زمان‌بندی از غربالگری تا پیش بالینی به طور قابل‌توجهی کاهش خواهد یافت و داروهای جدیدی که قادر به درمان آسیب‌های بسیار خاص هستند به حالت نرمال جدید تبدیل خواهند شد.

بنابراین سوال اصلی در اینجا این است که آیا روش‌های هوش مصنوعی واقعا داروهای جدید را کشف می‌کنند یا صرفا آن‌ها را از طریق فرآیند بهینه‌سازی طراحی می‌کنند؟ آن واقعا اولی (یعنی کشف) است نه دومی (یعنی طراحی). هوش مصنوعی برای کشف دارو تماما به شانس مربوط می‌شود. این رویکردها در حال بهینه‌سازی هستند، اما برای رسیدن به یک راه‌حل «درست» به شانس زیادی نیاز دارند. استفاده از هر پیچ‌گوشتی در جعبه‌ابزار تا زمانی که یکی از آن‌ها با پیچ هماهنگ شود، شبیه اختراع یک پیچ‌گوشتی جدید نیست. حالا دوباره این سوال را می‌پرسیم: آیا این اختراع یا اکتشاف است؟ در این مورد، ما می‌توانیم داخل ماشین را ببینیم که گزینه‌های دارویی جدیدی تولید می‌کند و در واقع از داده‌ها یاد می‌گیرد و گزینه‌هایی را که مناسب یک الگو هستند، انتخاب می‌کند. کشف است. و این حوزه تازه شروع شده‌است. آینده روشن است.

منبع: Does Artificial Intelligence Design New Drugs Or Discover Them? (forbes.com)