تکمیل چرخه داده در اکتشاف دارو با هوش مصنوعی

کشف دارو فرایندی پرهزینه و پرخطر است که با افزایش فشار بازار و مزیت پیشگامی روبرو است.
میزان هزینه توسعه داروهای جدید از دهه ۱۹۵۰ تقریباً هر ۹ سال دو برابر شده که به عنوان «قانون اروم» شناخته میشود. امروزه، عرضه یک داروی جدید به بازار بهطور متوسط ۱۰ تا ۱۵ سال زمان میبرد و بین ۱ تا ۲.۵ میلیارد دلار هزینه دارد، با نرخ شکست بیش از ۹۰ درصد.
هوش مصنوعی به بزرگترین امید صنعت داروسازی برای افزایش نرخ موفقیت و کاهش زمان تبدیل شده است. هرچه شرکتهای داروسازی سریعتر بتوانند ترکیبات شیمیایی جدید را شناسایی، آزمایش و بهینه کنند، خطر شکستهای پرهزینه در مراحل بعدی توسعه کمتر میشود.
پل بلچر، مدیر استراتژی تحقیقات پروتئین در شرکت جهانی علوم زیستی سایتیوا، میگوید: «بیشترین هزینه در کشف دارو همچنان مربوط به فاز بالینی است، بنابراین تلاش برای کاهش خطر و افزایش نرخ موفقیت در این مرحله به وضوح بسیار سودمند است.» او اضافه میکند: «هوش مصنوعی رویکردی است که شرکتهای داروسازی امیدوارند نه تنها زمان را کاهش داده و فشرده سازند، بلکه به کاندیداهای با کیفیتتری اجازه ورود به فاز بالینی را بدهد.»
اولین کاربردهای هوش مصنوعی در کشف دارو نویدبخش هستند، اما همچنین نیاز به دادههای قوی و معتبر و همچنین ادغام در سیستمهای آزمایشگاهی را برجسته میکنند.
کاربرد هوش مصنوعی در آزمایشگاه
افزایش کارایی آزمایشگاهی با هوش مصنوعی
یکی از امیدبخشترین کاربردهای اولیه هوش مصنوعی در کشف دارو، شناسایی ترکیبات هدفمند (Hit Identification) است. این فرآیند شامل غربالگری کتابخانههایی از موجودیتهای مولکولی در برابر یک هدف مرتبط با بیماری، مانند یک پروتئین، برای یافتن مولکولهایی است که به آن متصل میشوند. یک ترکیب موفق، نقطه شروعی را برای آزمایشها و اصلاحات بعدی برای محققان فراهم میکند، با هدف نهایی توسعه یک داروی قابل حیات.
بلچر شاهد تغییری از غربالگری تجربی به طراحی پیشبینیکننده بوده است: به جای غربالگری فیزیکی کتابخانهها، شرکتهای داروسازی اکنون از هوش مصنوعی برای طراحی کاندیداهای دارو از ابتدا و پیشبینی چگونگی فعل و انفعال آنها با اهداف بیماری قبل از هرگونه تعهد به تحقیق و توسعه (R&D) استفاده میکنند.
این بدان معناست که شرکتها دیگر به میزان غربالگری فیزیکی برای شناسایی نقاط شروع محدود نیستند. بلچر میگوید: «هوش مصنوعی این محدودیت را از بین میبرد و میتواند به حذف کاندیداهای بیکیفیت قبل از آزمایش فیزیکی آنها کمک کند و در زمان و منابع صرفهجویی میشود.»
با این حال، به گفته بلچر، آنچه هوش مصنوعی هنوز نمیتواند انجام دهد، پیشبینی قابل اعتماد کینتیک یا قابلیت توسعه ترکیبات جدید است. این بدان معناست که هر کاندیدای تولید شده توسط هوش مصنوعی هنوز باید در آزمایشگاه تأیید شود.
گردشکارهای غربالگری سنتی برای شناسایی ترکیبات در مقیاس بزرگ طراحی شده بودند، نه برای بررسی تعداد زیادی از کاندیداهای پیچیده به تفصیل. این امر فشار بیشتری بر تیمهای آزمایشگاهی وارد میکند، که اکنون باید حجم فزایندهای از ترکیبات متنوعتر تولیدشده توسط هوش مصنوعی را آزمایش، مشخصه یابی و خالصسازی کنند.

















دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.