شرکتهای داروسازی بهطور فزایندهای از هوش مصنوعی برای شتابدادن به فرآیند کشف دارو استفاده میکنند. اما آیا هوش مصنوعی واقعاً میتواند جستوجو برای یافتن داروهای جدید را متحول کند، یا مزایای آن بیش از حد بزرگنمایی شده است؟
کشف دارو: از دههها پژوهش تا چند روز با AI
بنا به گزارش جزمین فاکس-اسکِلی، کشف یک داروی جدید تا همین اواخر معمولاً بیش از یک دهه پژوهش و میلیاردها پوند سرمایهگذاری نیاز داشت. در طول این مسیر، بسیاری از گزینهها شکست میخورند؛ بهطوریکه صنعت داروسازی تنها در حوزه آزمایشهای ناموفق داروهای سرطان، سالانه حدود ۵۰ تا ۶۰ میلیارد دلار هزینه میکند.
با این حال، الگوریتمهای هوش مصنوعی میتوانند زمان لازم برای شناسایی یک ترکیب پیشتاز (lead compound) را به چند هفته یا حتی چند روز کاهش دهند. میشل وندروسکولو، استاد بیوفیزیک دانشگاه کمبریج بریتانیا، میگوید: «اولین مرحله در کشف دارو، شناسایی یک «هیت» یا ترکیب پیشتاز است و این مرحله عملاً توسط هوش مصنوعی حل شده است.»
هوش مصنوعی و غربالگری ترکیبات شیمیایی: شتابدهنده پیشرفت دارو
بهطور سنتی، کشف دارو با غربالگری پرحجم (high-throughput screening) هزاران ترکیب شیمیایی آغاز میشود تا مشخص شود کدامیک میتوانند به پروتئین هدف متصل شوند؛ فرآیندی که ممکن است تا دو سال طول بکشد.
هوش مصنوعی میتواند این مرحله را بهطرز چشمگیری تسریع کند. کتابخانههای شیمیایی حاوی اطلاعات صدها هزار مولکول هستند، از جمله ساختار شیمیایی و ویژگیهای فیزیکی آنها. مدلهای هوش مصنوعی بر اساس این دادهها میتوانند پیشبینی کنند که یک مولکول چگونه به پروتئین هدف خود متصل میشود و با آن تعامل برقرار میکند؛ آن هم با تحلیل سریع حجم عظیمی از دادهها.
«جشنواره اندیشمندان و دانشمندان جوان» نیز با تمرکز بر حمایت از ایدههای نوآورانه و ترویج رویکردهای علمی خلاقانه، نقش هوش مصنوعی در تحول فرآیندهای کشف و توسعه دارو را برجسته میکند.
جدول مقایسهای: روش سنتی کشف دارو در مقابل هوش مصنوعی (AI)
| ویژگی | روش سنتی کشف دارو | استفاده از هوشمصنوعی (AI) |
| مدت زمان کشف ترکیب پیشتاز | چند سال | چند هفته یا حتی چند روز |
| حجم داده قابل تحلیل | محدود به آزمایشهای تجربی | تحلیل میلیونها داده مولکولی و ژنتیکی |
| هدفگیری پروتئینهای نامنظم | تقریباً غیرممکن | قابل شناسایی و پیشبینی |
| هزینه توسعه | میلیاردها دلار | کاهش چشمگیر هزینهها با غربالگری سریع |
| کارآزماییهای بالینی | زمانبر و پراکنده | هدفمندتر و مؤثرتر با پیشبینی پاسخ بیماران |
| ایجاد ترکیبات جدید | محدود به موجودات طبیعی و کتابخانههای شیمیایی | طراحی مولکولهای کاملاً جدید و ترکیبات ضدمیکروبی نو |
| محدودیتها | عدم پیشبینی دقیق سمیت و تعامل مولکولی | هنوز نمیتواند جایگزین کامل آزمایش انسانی شود |
یادگیری ساختار پروتئینها و تعامل با مولکولها
وندروسکولو توضیح میدهد: «ما اکنون دههها داده حاصل از بلورنگاری اشعه ایکس و مطالعات میکروسکوپی داریم. ساختار صدها هزار پروتئین را میشناسیم و هوش مصنوعی در یادگیری از این حجم عظیم دادههای ساختاری بسیار توانمند است.»
به گفته او، AI اکنون در پیشبینی ساختار پروتئینها و نحوه تعامل مولکولهای کوچک با آنها، به اندازه روشهای غربالگری تجربی دقیق است. با این حال، این دقت تاکنون بیشتر در پروتئینهایی مشاهده شده که طی فرآیند تاخوردگی (folding) به ساختار سهبعدی پایدار با جایگاههای اتصال مشخص تبدیل میشوند؛ جایی که مولکولهای کوچک میتوانند بهطور مؤثر در آن جایگیری کنند. علومپایه، بهویژه بیوشیمی و زیستفیزیک، نقش کلیدی در درک اصول ساختار پروتئینها و تعامل آنها با لیگاندها ایفا میکند و اساس عملکرد هوش مصنوعی در پیشبینیهای دقیق را فراهم میکند.
پروتئینهای نامنظم و چالش کشف دارو
به گفته وندروسکولو: «تعریف کلاسیک پروتئینها این است که آنها به حالت بومی خود تا میخورند و سپس عملکردشان را انجام میدهند. اما در واقع مشخص شده که حدود یکسوم پروتئینهای انسانی این کار را نمیکنند.»
این پروتئینهای دیگر که «ذاتاً نامنظم» هستند، به یک ساختار مشخص واحد دست پیدا نمیکنند و بنابراین ساختار آنها با روشهای استاندارد تجربی و محاسباتی قابل تعیین نیست. بسیاری از آنها در بیماریهای انسانی نقش دارند، از جمله بیماریهای نورودژنراتیو مانند آلزایمر و پارکینسون.
شناسایی اتصال غیرقابلدارودرمانی با AI
علاوه بر این، وندروسکولو افزود:« مفهوم سنتی اتصال در کشف دارو، مدل قفل و کلید است؛ یعنی روی سطح پروتئین حفرههایی وجود دارد که مانند قفل عمل میکنند و مولکول کوچک مانند کلید در آنها قرار میگیرد. اما اگر پروتئین ساختار مشخصی نداشته باشد، نه قفلی وجود دارد و نه کلیدی. هیچ داروی تأییدشدهای برای استفاده بالینی وجود ندارد که پروتئینهای حلشده و نامنظم را هدف بگیرد، چون هیچ حفرهای وجود ندارد.»
با استفاده از هوش مصنوعی، تیم وندروسکولو روش جدیدی از اتصال را شناسایی کردهاند که در آن مولکولهای کوچک به حفره نیاز ندارند. این تیم روی آمیلوئید بتا تمرکز کرد؛ پروتئینی نامنظم که در بیماری آلزایمر نقش دارد.
غربالگری شیمیایی سریع برای پروتئینهای نامنظم
در پژوهشی که بهزودی منتشر خواهد شد، این تیم با کمک AI، یک کتابخانه شیمیایی شامل میلیونها مولکول کوچک را بهسرعت غربالگری کرد و پنج ترکیب را برای بررسیهای بیشتر شناسایی نمود. این ترکیبات بهجای اتصال به یک حفره، بهاصطلاح «اطراف پروتئین آمیلوئید بتا میرقصند» و سپس به مولکولهای پروتئین متصل میشوند، آنها را پایدار کرده و از تجمعشان جلوگیری میکنند.
وندروسکولو میگوید:« قوانین اتصال در پروتئینهای نامنظم احتمالاً بسیار پیچیدهتر از قوانین قفل و کلید هستند. با این حال، برنامههای هوش مصنوعی مبتنی بر شبکههای عصبی عمیق با تریلیونها پارامتر میتوانند یاد بگیرند که این قوانین را درک کنند.»
درک چنین پیچیدگیهایی بدون پایههای قوی علمی ممکن نیست؛ علومپایه مسیر تحلیل و پیشبینی تعاملات مولکولی را هموار میکنند و به هوشمصنوعی کمک میکنند تا رفتار پروتئینها را بهصورت دقیق شبیهسازی کند.
کاربرد هوش مصنوعی در کشف آنتیبیوتیکهای جدید
توانایی AI در پیشبینی نحوه اتصال مولکولها به پروتئینها، توسط پژوهشگران حوزه توسعه آنتیبیوتیکهای جدید نیز استفاده شده است. بیشتر آنتیبیوتیکهای مورد استفاده امروز بیش از ۵۰ سال پیش کشف شدهاند و شرکتهای داروسازی تا حد زیادی تلاش برای توسعه نمونههای جدید را کنار گذاشتهاند؛ بخشی به دلیل سرعت بالای ایجاد مقاومت باکتریایی.
AI میتواند این مشکل را حل کند؛ یا با جستوجوی مواد ضدمیکروبی در مکانهای غیرمعمول، یا با طراحی مولکولهایی کاملاً جدید که در طبیعت وجود ندارند.
با الهام از همین نوآوریها، «جشنواره اندیشمندان و دانشمندان جوان» یکی از رویکردهای خود را تمرکز بر استفاده از هوش مصنوعی برای حل چالشهای پیچیده علمی، مانند هدفگیری پروتئینهای نامنظم، قرار داده است.
کشف پپتیدهای ضدمیکروبی با استفاده از DNA باستانی
سزار دلا فوئنته، دانشیار دانشگاه پنسیلوانیا، بیش از یک دهه است که از AI برای جستوجوی مولکولهای ضدمیکروبی در پایگاههای داده ژنتیکی استفاده میکند.
در سال ۲۰۲۳، تیم او DNA نئاندرتالها و دنیسوواهای منقرضشده را بررسی کردند و یک پپتید به نام نئاندرتالین-۱ را شناسایی کردند که در درمان عفونتهای باکتریایی در موشها مؤثر بود.
در سال ۲۰۲۴، مدل یادگیری عمیق APEX برای بررسی «منقرضنامه» شامل ۲۰۸ موجود منقرضشده استفاده شد و بیش از ۱۲ هزار نامزد آنتیبیوتیکی به دست آمد. حدود ۸۰ مورد سنتز شد و آزمایشها نشان داد که ۹۳٪ آنها توانایی خنثیسازی شش باکتری بیماریزای رایج را دارند.
مراحل پایانی توسعه دارو و محدودیتهای AI
با وجود توانمندی AI در شناسایی ترکیبات اولیه، این تنها بخشی از فرآیند کشف دارو است.
وندروسکولو توضیح میدهد که بیشتر داروها در مرحله شناسایی هیت شکست نمیخورند، بلکه باید مشخص شود آیا ترکیب سمی است، اثربخشی کافی دارد و آیا دوز مؤثر آن از مطالعات حیوانی به انسان قابل انتقال است یا نه.
شرکتهایی مانند Lantern Pharma از AI برای درک پاسخهای متفاوت زیرگروههای سرطانی استفاده کردهاند و موفق شدهاند داروهایی که قبلاً شکست خورده بودند را دوباره در جمعیتهای هدف مناسب امتحان کنند.
پیشبینی پاسخ بیماران و بهینهسازی کارآزماییها
AI میتواند جایگاه بالینی داروها را سریعتر تعیین کند، میزان موفقیت کارآزماییها را افزایش دهد و هزینهها را تا ۳۰٪ کاهش دهد. همچنین پیشبینی میکند که آیا مولکولها سمی هستند، قادر به عبور از سد خونی- مغزی هستند و یا چگونه با داروهای ترکیبی تعامل دارند.
با این حال، برخی دانشمندان هشدار میدهند که AI محدودیت دارد و هنوز نمیتواند جایگزین آزمایشهای انسانی و دادههای واقعی شود، به خصوص در پیشبینی سمیت دارو.
جمعبندی نهایی: نقش هوش مصنوعی در آینده کشف دارو
هوش مصنوعی توانسته فرآیند کشف و توسعه دارو را سرعت ببخشد و امکان تحلیل حجم عظیمی از دادههای مولکولی و ژنتیکی را فراهم کند. با AI میتوان ترکیبات پیشتاز را سریعتر شناسایی کرد، پروتئینهای نامنظم را هدف گرفت و حتی داروهای ضدمیکروبی جدید را طراحی کرد. با این حال،AI هنوز نمیتواند جایگزین کامل آزمایشهای انسانی شود و در پیشبینی سمیت و دوز دارو محدودیت دارد. شرکتهایی مانند Lantern Pharma نشان دادهاند که AI میتواند کارآزماییهای بالینی هدفمندتر و مؤثرتر انجام دهد و هزینهها و زمان توسعه دارو را کاهش دهد.
«جشنواره اندیشمندان و دانشمندان جوان» با حمایت از پژوهشهای نوآورانه و کسبوکارهای علمی نوپا، به دنبال ایجاد زمینهای است که ابزارهای پیشرفتهای مانند هوش مصنوعی بتوانند به طور مؤثر در حل چالشهای پیچیده علمی، از جمله توسعه دارو، به کار گرفته شوند. این جشنواره نشان میدهد که ترکیب هوش مصنوعی با رویکردهای تجربی و بالینی، نه تنها مسیر کشف دارو را کوتاهتر و مؤثرتر میکند، بلکه امکان تجاریسازی نوآوریها و کمک به رشد استارتاپهای علمی را نیز فراهم میآورد.
منبع: SCI
