هوش مصنوعی چراغ راه داروسازان

کشف یک داروی جدید در گذشته بیش از یک دهه پژوهش و میلیاردها پوند سرمایه‌گذاری نیاز داشت. بسیاری از گزینه‌های دارویی در این مسیر شکست می‌خورند، به‌طوری که صنعت داروسازی تنها سالانه حدود ۵۰ تا ۶۰ میلیارد دلار برای آزمایش‌های ناموفق داروهای سرطان هزینه می‌کند. با این حال، الگوریتم‌های هوش مصنوعی می‌توانند زمان لازم برای شناسایی یک «ترکیب پیشرو» را به چند هفته و حتی چند روز کاهش دهند.

میکله وندروسکولو، استاد بیوفیزیک دانشگاه کمبریج، می‌گوید: اولین گام در کشف دارو شناسایی یک ترکیب موفق یا پیشرو است و این مرحله اکنون به‌طور کامل توسط هوش مصنوعی تسهیل شده است.  

به‌طور سنتی، کشف دارو با غربالگری «پُرظرفیت» یا در حجم بالا هزاران ترکیب شیمیایی آغاز می‌شود تا مشخص شود کدام‌ یک به پروتئین هدف متصل می‌شود؛ فرایندی که می‌تواند تا دو سال طول بکشد. هوش مصنوعی می‌تواند این روند را به‌طور چشمگیری تسریع کند. بانک‌های اطلاعاتی شیمیایی حاوی داده‌های صدها هزار مولکول‌اند؛ از ساختار شیمیایی گرفته تا ویژگی‌های فیزیکی آن‌ها. بر اساس این اطلاعات، مدل‌های هوش مصنوعی می‌توانند با تحلیل سریع حجم عظیمی از داده‌ها پیش‌بینی کنند که یک مولکول چگونه به پروتئین هدف متصل می‌شود و میلیون‌ها گزینه بالقوه می‌توانند بررسی شوند و پژوهشگران می‌توانند روی امیدبخش‌ترین موارد تمرکز کنند.

وندروسکولو توضیح می‌دهد: ما اکنون دهه‌ها داده از مطالعات بلورنگاری پرتو ایکس و ریزطیف‌سنجی داریم. ساختار صدها هزار پروتئین را می‌شناسیم. هوش مصنوعی در یادگیری از این حجم عظیم داده ساختاری بسیار توانمند است.

توان غربالگری بالاتر

به گفته وندروسکولو، هوش مصنوعی اکنون به اندازه روش‌های آزمایشگاهی در پیش‌بینی ساختار پروتئین‌ها و نحوه تعامل مولکول‌های کوچک با آن‌ها دقیق است. اما این موضوع فقط درباره پروتئین‌هایی صدق می‌کند که تا می‌شوند و ساختار سه‌بعدی پایدار با حفره‌های اتصال دارند.

او می‌گوید: تعریف کلاسیک پروتئین‌ها این است که تا می‌شوند و سپس عملکرد دارند. اما حدود یک‌ سوم پروتئین‌های انسانی این کار را نمی‌کنند. این پروتئین‌های «بی‌نظم از نظر ذاتی» شکل ثابتی ندارند، بنابراین ساختارشان با روش‌های معمول قابل تعیین نیست. بسیاری از آن‌ها در بیماری‌هایی مانند آلزایمر و پارکینسون نقش دارند و تا همین اواخر ساخت دارو برای آنها غیر ممکن تلقی می‌شد.

وندروسکولو و گروهش با کمک هوش مصنوعی روش جدیدی برای اتصال کشف کردند که در آن مولکول‌های کوچک نیازی به حفره اتصال ندارند. آن‌ها روی پروتئین آمیلوئید بتا، مرتبط با آلزایمر، تمرکز کردند. توده‌های این پروتئین پلاک‌هایی را تشکیل می‌دهند که اطراف نورون‌ها جمع می‌شوند و آن‌ها را از بین می‌برند.

در یک پژوهش، محققان با کمک هوش مصنوعی میلیون‌ها مولکول را غربال کردند و پنج ترکیب را شناسایی کردند. این ترکیبات به جای اتصال به یک حفره، پیرامون پروتئین «می‌رقصیدند» و سپس به آن متصل می‌شدند و مانع از تجمع آن می‌شدند.

جست‌وجوی ضدمیکروبی

توانایی هوش مصنوعی در پیش‌بینی اتصال مولکول‌ها به پروتئین‌ها در توسعه آنتی‌بیوتیک‌های جدید نیز به کار گرفته شده است. بسیاری از آنتی‌بیوتیک‌های فعلی بیش از ۵۰ سال پیش کشف شده‌اند و مقاومت باکتریایی، توسعه آن‌ها را دشوار کرده است.

سزار د لا فوئنته از دانشگاه پنسیلوانیا بیش از یک دهه است که با هوش مصنوعی، پایگاه‌های ژنتیکی را برای یافتن مولکول‌های ضدمیکروبی جست‌وجو می‌کند. او حتی دی‌ان‌ای نئاندرتال‌ها و گونه‌های منقرض‌شده را بررسی کرده و پپتیدی به نام نئاندرتالین-۱ یافته که در موش‌ها مؤثر بوده است.

در ادامه، پژوهشگران از دل گونه‌های باستانی هزاران ترکیب امیدوارکننده آنتی‌بیوتیکی یافتند که درصد قابل‌توجهی از آن‌ها در آزمایش‌ها توان مقابله با باکتری‌های بیماری‌زا را نشان دادند 

مراحل بعدی کشف دارو

کشف ترکیب اولیه تنها بخشی از مسیر است.

به گفته وندروسکولو، بیشتر داروها در مرحله کشف اولیه شکست نمی‌خورند. مشکل اصلی در سمیت، اثربخشی و تعیین دوز مناسب برای انسان است.

برخی شرکت‌ها معتقدند هوش مصنوعی می‌تواند این بخش‌ها را هم بهبود بخشد. شرکت داروسازی لنترن فارما (Lantern Pharma) با استفاده از هوش مصنوعی نشان داد دارویی که در گذشته شکست خورده بود، در گروه خاصی از بیماران (غیرسیگاری‌ها) بسیار مؤثر عمل می‌کند.

هوش مصنوعی نشان داد تومورهای ریه در غیرسیگاری‌ها از نظر ژنتیکی کاملا با سیگاری‌ها متفاوت است و دارو می‌تواند گیرنده‌های خاصی را هدف قرار دهد که در این بیماران بیش‌ازحد بیان می‌شوند.

مدیرعامل این شرکت معتقد است هوش مصنوعی می‌تواند زمان تعیین جایگاه بالینی دارو را تا ۷۵ درصد کاهش دهد، سمیت را پیش‌بینی کند، عبور از سد خونی-مغزی را تخمین بزند و حتی کارآزمایی‌های بالینی را هدفمندتر کند.

تردیدها همچنان باقی است

با وجود این، برخی دانشمندان در استفاده از هوش مصنوعی تردید دارند. با اینکه از میانه دهه ۲۰۱۰ شرکت‌ها از هوش مصنوعی استفاده می‌کنند، هنوز هیچ داروی کاملا مبتنی بر هوش مصنوعی مرحله سوم کارآزمایی را با موفقیت طی نکرده است.

وندروسکولو می‌گوید: هنگامی که داده‌ها زیاد باشند، هوش مصنوعی عالی عمل می‌کند، اما وقتی داده‌ها کم باشد، چندان مفید نخواهد بود.

او پیش‌بینی سمیت دارو در انسان را از جمله نمونه‌هایی می‌داند که هوش مصنوعی پیشرفت چندانی در آن نداشته است و در این مورد می‌گوید: یک ترکیب می‌تواند به میلیون‌ها روش مختلف سمی باشد. اینجاست که هیاهوی هوش مصنوعی با واقعیت روبه‌رو می‌شود. باید بدانیم هوش مصنوعی دقیقا کدام مشکلات را می‌تواند حل کند و از پس کدام یک بر نخواهد آمد.  

هوش مصنوعی تصویری امیدبخش از آینده پزشکی ترسیم می‌کند؛ آینده‌ای که در آن می‌تواند سال‌ها جست‌وجوی فرساینده برای یافتن یک داروی مؤثر را به چند هفته یا حتی چند روز کاهش دهد. جایی که پیش‌تر دانشمندان باید در میان هزاران ترکیب شیمیایی حدس و گمان‌های خود را به کار می‌گرفتند، اکنون الگوریتم‌ها با سرعتی باورنکردنی امیدوارکننده‌ترین گزینه‌ها را پیش چشم آن‌ها می‌گذارند.

هوش مصنوعی نه ‌تنها در باز کردن قفل رازهای پروتئین‌هایی که زمانی دارو ساختن برای آنها غیر ممکن تصور می‌شد نقش داشته، بلکه حتی از دل ژنوم موجودات منقرض‌شده و مولکول‌هایی که هرگز در طبیعت وجود نداشته‌اند، سرنخ‌هایی برای ساخت آنتی‌بیوتیک‌های جدید بیرون کشیده است.  با این حال، مسیر تبدیل یک کشف آزمایشگاهی به دارویی که جان انسان‌ها را نجات دهد، همچنان طولانی و پر از عدم‌قطعیت است. سمیت دارو، دوز مناسب و موفقیت در آزمایش‌های بالینی، چالش‌هایی هستند که هنوز به‌طور کامل در اختیار هوش مصنوعی قرار نگرفته‌اند.

در نهایت، هوش مصنوعی قرار نیست جای دانشمندان را بگیرد، بلکه قرار است چراغی در دست آن‌ها باشد؛ چراغی که مسیر تاریک و پرپیچ‌وخم کشف دارو را روشن‌تر کند، سرعت آن را افزایش دهد و از هزینه‌های آن بکاهد. امیدی تازه برای روزی که یافتن درمان بیماری‌ها دیگر به سال‌ها انتظار و میلیاردها دلار هزینه وابسته نباشد.