هوش مصنوعی و انقلاب در کشف دارو: از میلیاردها دلار هزینه تا چند هفته پژوهش

شناسایی ترکیبات دارویی پیشرو: گام اول با هوش مصنوعی

«میکله وندروسکولو»، استاد بیوفیزیک دانشگاه کمبریج، توضیح می‌دهد که اولین گام حیاتی در فرآیند کشف دارو، یافتن ترکیب موفق یا «پیشرو» است که امروزه به طور کامل توسط هوش مصنوعی تسهیل شده است. در روش‌های سنتی، این مرحله با غربالگری پرظرفیت هزاران ترکیب شیمیایی آغاز می‌شد تا تعامل آنها با پروتئین هدف مشخص شود؛ فرآیندی که ممکن بود تا دو سال به طول انجامد.

اما با تحلیل هوش مصنوعی، بانک‌های عظیم داده‌های شیمیایی شامل اطلاعات مربوط به ساختار و ویژگی‌های فیزیکی صدها هزار مولکول، در مدت کوتاهی پردازش می‌شوند و مدل‌های پیش‌بینی، بهترین گزینه‌ها را ارائه می‌دهند. وندروسکولو می‌افزاید: «ما اکنون با تکیه بر دهه‌ها داده حاصل از مطالعات بلورنگاری پرتو ایکس و ریزطیف‌سنجی، ساختار صدها هزار پروتئین را می‌شناسیم. هوش مصنوعی در یادگیری از این حجم عظیم داده‌های ساختاری بسیار توانمند است.»

او تأکید می‌کند که هوش مصنوعی در پیش‌بینی تعامل مولکول‌های کوچک با پروتئین‌هایی که ساختار سه‌بعدی پایدار دارند، به اندازه آزمایش‌های فیزیکی دقیق عمل می‌کند. با این حال، این دقت برای پروتئین‌های بی‌نظم ذاتی، که شکل ثابتی ندارند و اغلب در بیماری‌هایی مانند آلزایمر و پارکینسون دخیل‌اند، کمتر کاربرد دارد.

تحول در هدف‌گیری پروتئین‌های غیرقابل‌دارو

گروه پژوهشی وندروسکولو با بهره‌گیری از هوش مصنوعی، روش جدیدی برای اتصال مولکول‌ها به پروتئین‌های بی‌نظم ارائه کرده است. آنان روی پروتئین آمیلوئید بتا، عامل تشکیل پلاک‌های مضر در مغز بیماران آلزایمر، تمرکز کردند. در این پژوهش، هوش مصنوعی میلیون‌ها مولکول را غربال کرد و پنج ترکیب مؤثر یافت که برخلاف روش سنتی، نه به حفره‌ای خاص، بلکه به صورت پویا پیرامون ساختار پروتئین حرکت کرده و سپس به آن متصل می‌شدند تا از تجمع آسیب‌زا جلوگیری کنند.

نقش هوش مصنوعی در توسعه آنتی‌بیوتیک‌های جدید

در حوزه آنتی‌بیوتیک‌ها نیز هوش مصنوعی به ابزاری کلیدی بدل شده است. بسیاری از آنتی‌بیوتیک‌های مؤثر جهان بیش از نیم‌قرن پیش کشف شده‌اند و مقاومت فزاینده باکتری‌ها، توسعه انواع جدید را دشوار کرده است. «سزار د لا فوئنته» از دانشگاه پنسیلوانیا، سال‌هاست با استفاده از هوش مصنوعی، پایگاه‌های ژنتیکی را برای یافتن مولکول‌های ضدمیکروبی جست‌وجو می‌کند. او حتی ژنوم گونه‌های منقرض‌شده مانند نئاندرتال‌ها را بررسی کرده و پپتیدی موسوم به «نئاندرتالین-۱» پیدا کرده است که در آزمایش‌های حیوانی مؤثر بوده است. این گروه از دل داده‌های گونه‌های باستانی، هزاران ترکیب با پتانسیل آنتی‌بیوتیکی را شناسایی کرده‌اند که درصد قابل‌توجهی از آنها در آزمایش‌های آزمایشگاهی توان مقابله با باکتری‌های خطرناک را نشان داده‌اند.

از کشف تا داروی قابل‌استفاده انسانی: چالش‌ها و راهکارها

کشف ترکیب اولیه تنها بخشی از مسیر پیچیده توسعه دارو است. به گفته وندروسکولو، بیشتر داروها نه در مرحله کشف، بلکه در مراحل اثربخشی، سمیت و تعیین دوز مناسب برای انسان شکست می‌خورند. با این حال، برخی شرکت‌ها با تکیه بر هوش مصنوعی، تلاش دارند این چالش را نیز کاهش دهند.

نمونه‌ای از این رویکرد، شرکت «Lantern Pharma» است که با کمک هوش مصنوعی، دارویی را بازتحلیل کرد که پیش‌تر ناکام مانده بود. سیستم هوش مصنوعی مشخص کرد که این دارو برای گروه خاصی از بیماران مبتلا به سرطان ریه (افرادی که سیگار نمی‌کشند) اثربخشی بالایی دارد، زیرا تومورهای آنان از نظر ژنتیکی با سیگاری‌ها تفاوت اساسی دارند و گیرنده‌های خاصی در آنها بیش‌ازحد بیان می‌شوند. بر اساس برآورد مدیرعامل این شرکت، استفاده از هوش مصنوعی می‌تواند زمان تعیین جایگاه بالینی دارو را تا ۷۵ درصد کاهش دهد و در پیش‌بینی سمیت، عبور دارو از سد خونی-مغزی و بهینه‌سازی کارآزمایی‌های بالینی نقش مؤثری داشته باشد.

تردیدها و محدودیت‌های اساسی هوش مصنوعی در صنعت دارویی

با وجود پیشرفت‌های چشمگیر، بسیاری از متخصصان معتقدند که باید با احتیاط به توانایی‌های هوش مصنوعی نگریست. با اینکه از میانه دهه ۲۰۱۰، شرکت‌های داروسازی از الگوریتم‌های هوش مصنوعی بهره می‌گیرند، اما هنوز هیچ دارویی که کاملاً با این فناوری طراحی شده باشد، مرحله سوم کارآزمایی بالینی را پشت‌سر نگذاشته است.

وندروسکولو می‌گوید: «هوش مصنوعی زمانی عالی عمل می‌کند که داده‌های کافی در اختیارش باشد، اما در مواردی که داده‌ها محدودند، مثلاً برای پیش‌بینی سمیت دارو در انسان، هنوز عملکرد قابل‌اتکایی ندارد. یک ترکیب ممکن است به میلیون‌ها روش متفاوت سمی باشد و این یکی از چالش‌هایی است که هیاهوی پیرامون هوش مصنوعی با واقعیت علمی مواجه می‌شود.»

چراغی در مسیر تاریک کشف دارو

در مجموع، هوش مصنوعی تصویری امیدبخش از آینده پزشکی ارائه کرده است؛ آینده‌ای که در آن سال‌ها تلاش و میلیاردها دلار هزینه ممکن است به چند هفته تحلیل داده و تصمیم‌گیری هوشمند تبدیل شود. این فناوری نه‌تنها راز پروتئین‌هایی را گشوده که ساخت دارو برای آنها غیرممکن تصور می‌شد، بلکه حتی از دل ژنوم گونه‌های منقرض‌شده، راه‌های تازه‌ای برای مقابله با مقاومت‌های دارویی و بیماری‌های پیچیده یافته است. با این همه، مسیر تبدیل یک ایده آزمایشگاهی به دارویی که واقعاً جان انسان‌ها را نجات دهد، همچنان طولانی، پرهزینه و وابسته به قضاوت انسانی است.

هوش مصنوعی قرار نیست جایگزین دانشمندان شود؛ بلکه چراغی در دستان آنان است. چراغی که راه پرپیچ‌وخم کشف دارو را روشن‌تر، سریع‌تر و کم‌هزینه‌تر می‌کند.