چگونه هوش مصنوعی و یادگیری ماشین مسیر کشف داروهای جدید را متحول می‌کنند
هوش مصنوعی و یادگیری ماشین بی‌سروصدا در حال متحول کردن یکی از پرهزینه‌ترین و کندترین فعالیت‌ها در علم مدرن هستند: کشف داروهای جدید. در گذشته، تولید یک داروی جدید معمولاً بیش از یک دهه زمان می‌برد و هزینه آن از یک میلیارد دلار فراتر می‌رفت؛ با این حال، بخش عمده ترکیبات دارویی پیشنهادی در فاصله آزمایشگاه تا عرضه در داروخانه شکست می‌خوردند. اکنون الگوریتم‌هایی که با استفاده از آرشیوهای گسترده داده‌های زیستی، شیمیایی، سم‌شناختی و بالینی آموزش دیده‌اند، برای کوتاه کردن این فرایند به کار گرفته می‌شوند. پژوهش‌های فزاینده‌ای که در مجلاتی مانند BMC Pharmacology and Toxicology منتشر شده‌اند، مشخص می‌کنند این ابزارهای محاسباتی در کدام مراحل مؤثرند و با چه محدودیت‌هایی روبه‌رو هستند.
مزیت اصلی یادگیری ماشین در داروشناسی، توانایی آن در شناسایی الگوها در مقیاسی است که هیچ گروه انسانی به‌تنهایی قادر به بررسی آن نیست. برای مثال، یک شرکت داروسازی که به دنبال ساخت مهارکننده‌ای جدید برای یک کیناز است، ممکن است میلیون‌ها داده مربوط به فعالیت ترکیبات، هزاران ساختار پروتئینی و اطلاعات چندین دهه کارآزمایی بالینی ناموفق را در اختیار داشته باشد. مدل‌های یادگیری نظارت‌شده، از جنگل تصادفی گرفته تا شبکه‌های عصبی عمیق، می‌توانند با استفاده از این داده‌ها آموزش ببینند تا احتمال اتصال یک مولکول جدید به هدف مرتبط با بیماری، نحوه جذب و متابولیسم آن در بدن و وجود نشانه‌های ساختاری مرتبط با سمیت را پیش‌بینی کنند. به این ترتیب، الگوریتم به ابزاری آماری برای پیش‌بینی نتایج آزمایش‌هایی تبدیل می‌شود که انجام آن‌ها در حالت عادی ممکن است سال‌ها کار آزمایشگاهی نیاز داشته باشد.
شناسایی هدف مولکولی، که نخستین مرحله در فرایند کشف دارو است، یکی از حوزه‌هایی بوده که بیشترین بهره را از این فناوری برده است. سامانه‌های یادگیری ماشین می‌توانند داده‌های ژنومی، شبکه‌های تعامل پروتئین‌ها، الگوهای بیان ژن در بافت بیماران و شواهد اپیدمیولوژیک را با یکدیگر ترکیب کنند تا اهداف مولکولی‌ای را پیشنهاد دهند که هم از نظر زیستی اهمیت دارند و هم از نظر شیمیایی قابلیت هدف‌گیری دارند. شبکه‌های عصبی گرافی، که مولکول‌ها را به‌جای اثرانگشت‌های عددی ثابت به شکل شبکه‌ای از اتم‌ها و پیوندهای میان آن‌ها نمایش می‌دهند، دقت پیش‌بینی ویژگی‌های مولکولی و طراحی مولکول‌های جدید را افزایش داده‌اند. مدل‌های مولد، از جمله خودرمزگذارهای تغییرپذیر و معماری‌های مبتنی بر انتشار، اکنون می‌توانند ساختارهای شیمیایی کاملاً جدیدی پیشنهاد دهند که از نظر قدرت اثر، گزینش‌پذیری و امکان‌پذیری سنتز بهینه شده‌اند. این رویکرد عملاً روند سنتی را معکوس می‌کند؛ روندی که در آن شیمی‌دانان ابتدا ترکیبات را می‌ساختند و تنها پس از آن ویژگی‌هایشان را اندازه‌گیری می‌کردند.
پیش‌بینی خطرات ایمنی پیش از آنکه یک ترکیب به مرحله آزمایش روی حیوانات یا انسان برسد، حوزه دیگری است که فناوری در آن به‌سرعت پیشرفت کرده است. مدل‌های کمی رابطه ساختار و فعالیت که امروزه به‌طور فزاینده‌ای با یادگیری عمیق ساخته می‌شوند، احتمال مهار شدن کانال‌های یونی قلب، مانند hERG، آسیب کبدی یا بروز اثرات دارویی ناخواسته بر اهداف دیگر را تخمین می‌زنند. این مدل‌ها با ترکیب توصیفگرهای مولکولی، مجموعه‌داده‌های اُمیکس و یافته‌های مطالعات پیش‌بالینی می‌توانند خطر واکنش‌های نامطلوب دارویی را در مراحل اولیه شناسایی کنند؛ زمانی که بازطراحی ترکیب ممکن است تنها چند هفته زمان ببرد، نه سال‌ها و صدها میلیون دلار هزینه‌ای که شکست در مراحل پایانی توسعه بالینی به دنبال دارد. کاهش نرخ شکست داروها در کارآزمایی‌های بالینی فاز دوم و سوم، که به‌طور تاریخی بیشتر نامزدهای دارویی در آن‌ها از چرخه توسعه خارج می‌شوند، احتمالاً بزرگ‌ترین فرصت اقتصادی‌ای است که این ابزارها در اختیار صنعت قرار می‌دهند.
بازاستفاده از داروها به یکی از شناخته‌شده‌ترین کاربردهای عمومی این فناوری تبدیل شده است. از آنجا که داروهای تأییدشده از پیش دارای سوابق ایمنی مشخصی هستند، غربالگری‌های محاسباتی برای یافتن کاربردهای درمانی جدید آن‌ها می‌تواند مسیر رسیدن به بیماران را به میزان قابل‌توجهی کوتاه کند. در جریان شیوع‌های ویروسی اخیر، پلتفرم‌های مبتنی بر هوش مصنوعی با بررسی الگوهای بیان ژن، نقشه‌های تعامل پروتئین‌ها و پرونده‌های الکترونیکی سلامت، ظرف چند روز نامزدهای دارویی ضدویروس را پیشنهاد کردند؛ فرایندی که در روش‌های متعارف ممکن بود سال‌ها طول بکشد. رویکردهای مشابه در زمینه بیماری‌های نادر و سرطان‌شناسی نیز به کار گرفته می‌شوند؛ حوزه‌هایی که اقتصاد توسعه سنتی دارو در آن‌ها نامطلوب‌تر است و هر راه میان‌بری در فرایند تولید می‌تواند برای بیمارانی که در حال حاضر گزینه‌های درمانی محدودی دارند، ارزش بیشتری داشته باشد.
این حوزه همچنین به سوی پزشکی شخصی‌سازی‌شده حرکت می‌کند؛ هدفی که تحقق آن به الگوریتم‌هایی وابسته است که بتوانند ویژگی‌های منحصربه‌فرد هر بیمار را با یکدیگر تلفیق کنند. مدل‌های فارماکوژنومیک می‌توانند پیش‌بینی کنند که زمینه ژنتیکی بیمار چگونه بر متابولیسم دارو اثر می‌گذارد. از سوی دیگر، سامانه‌های یادگیری ماشین که با داده‌های کارآزمایی‌های بالینی و شواهد حاصل از دنیای واقعی آموزش دیده‌اند، می‌توانند احتمال پاسخ‌گویی یک فرد مشخص به درمان یا بروز عارضه‌ای جدی را برآورد کنند. از نظر نظری، این مدل‌ها به انتخاب درمانی کمک می‌کنند که برای هر بیمار، نه صرفاً برای یک بیمار فرضی با ویژگی‌های متوسط، بهترین توازن میان فایده و خطر را داشته باشد. چنین تغییری می‌تواند یکی از مهم‌ترین تحولات داروشناسی بالینی از زمان ظهور کارآزمایی‌های تصادفی‌شده باشد.
با این حال، پیشرفت در این زمینه خودبه‌خود حاصل نمی‌شود و برجسته‌ترین شکست‌های آن به‌اندازه موفقیت‌هایش آموزنده بوده‌اند. قابلیت اعتماد مدل‌های یادگیری ماشین به کیفیت داده‌هایی بستگی دارد که برای آموزش آن‌ها استفاده می‌شود؛ در حالی که مجموعه‌داده‌های داروسازی به‌طور شناخته‌شده‌ای به نتایج مثبت، خانواده‌های پروتئینی که بیشتر مطالعه شده‌اند و ساختارهای شیمیایی مورد توجه شرکت‌های خاص گرایش دارند. مدل‌هایی که با مجموعه‌ای از آزمون‌ها آموزش دیده‌اند، اغلب نمی‌توانند در شرایط آزمایشگاهی متفاوت به همان خوبی عمل کنند؛ مشکلی که به آن «تغییر توزیع داده‌ها» گفته می‌شود. پیش‌بینی‌های الگوریتمی درباره سمیت یا اثربخشی نیز ممکن است تحت تأثیر عوامل مخدوش‌کننده پنهان قرار گیرند. همچنین، نتیجه چشمگیر یک شبیه‌سازی رایانه‌ای تا زمانی که در مدل‌های پیش‌بالینی و در نهایت کارآزمایی‌های بالینی کنترل‌شده تأیید نشود، ارزش اثباتی محدودی دارد. جمع‌بندی علمی حاصل از مرورهای پژوهشی اخیر این است که فرضیه‌های تولیدشده به کمک هوش مصنوعی باید نامزدهایی برای اعتبارسنجی آزمایشی دقیق تلقی شوند، نه جایگزینی برای آن.
تفسیرپذیری نیز چالشی موازی به شمار می‌رود. مدل‌های یادگیری عمیق می‌توانند به دقت پیش‌بینی چشمگیری دست یابند، اما منطق درونی آن‌ها اغلب شفاف نیست. به همین دلیل، نهادهای ناظر، پزشکان و شیمی‌دانان دارویی به‌درستی در پذیرش پیش‌بینی‌ای که امکان بررسی و درک آن را ندارند، احتیاط می‌کنند. این مسئله توجه به روش‌های هوش مصنوعی توضیح‌پذیر، کمّی‌سازی عدم‌قطعیت و مدل‌های ترکیبی را افزایش داده است؛ مدل‌هایی که دانش داروشناسی مبتنی بر سازوکارهای زیستی را با یادگیری داده‌محور ترکیب می‌کنند. مجلات علمی و نهادهای تأمین مالی نیز بیش از گذشته از پژوهشگران می‌خواهند مدل‌های منتشرشده را با مجموعه‌داده‌های مستقل اعتبارسنجی کنند و محدودیت‌های آن‌ها را به‌صراحت بیان کنند. این روند بازتاب تغییر فرهنگی گسترده‌تری است که بر اساس آن، خروجی‌های یادگیری ماشین باید با همان نگاه نقادانه‌ای ارزیابی شوند که درباره هر ادعای آزمایشی دیگری به کار می‌رود.
جامعه پژوهشی اکنون در تلاش است با ایجاد بسترهای تخصصی انتشار مقاله و گسترش ابتکارهای علم باز، درس‌های آموخته‌شده را تثبیت کند. مجموعه مقالات جاری در مجله دسترسی آزاد BMC Pharmacology and Toxicology، که ترکیبات درمانی و سمی با ساختار شیمیایی مشخص را پوشش می‌دهد، پژوهش‌هایی درباره کاربرد یادگیری ماشین در طراحی دارو، تحلیل پیش‌بینانه اثربخشی و ایمنی، راهبردهای بازاستفاده از دارو با کمک هوش مصنوعی و اعتبارسنجی نتایج محاسباتی در برابر داده‌های پیش‌بالینی و بالینی گرد هم می‌آورد. این مجموعه نشان‌دهنده تأکید آگاهانه سردبیری بر تکرارپذیری پژوهش و پر کردن فاصله میان پیش‌بینی الگوریتمی و واقعیت زیستی است. مقالات ارسالی نیز تابع سیاست‌های معمول مجله در زمینه داوری همتا و اعلام منافع متعارض هستند.
حاصل این پژوهش‌ها تصویری واقع‌بینانه، اما واقعاً امیدوارکننده است. هوش مصنوعی جای شیمی‌دانان دارویی، سم‌شناسان یا پژوهشگران بالینی را نمی‌گیرد؛ بلکه نحوه تخصیص توجه و زمان آن‌ها را تغییر می‌دهد. یادگیری ماشین با غربال کردن میلیون‌ها احتمال و محدود کردن آن‌ها به فهرستی رتبه‌بندی‌شده از نامزدهایی که قابلیت سنتز دارند و احتمالاً ایمن و مؤثرند، به متخصصان امکان می‌دهد تمرکز خود را بر آزمایش‌هایی بگذارند که بیشترین اهمیت را دارند. اگر این حوزه مسیر کنونی خود را با بهبود اشتراک‌گذاری داده‌ها، اعتبارسنجی دقیق با داده‌های مستقل و روش‌های مدل‌سازی شفاف ادامه دهد، دهه پیش رو ممکن است شاهد فرایندهای توسعه دارویی سریع‌تر، ارزان‌تر و ایمن‌تری نسبت به دستاوردهای پیشین صنعت باشد. بیماران مبتلا به بیماری‌های نادر ژنتیکی و افرادی که به آمادگی درمانی در برابر همه‌گیری‌ها وابسته‌اند، از جمله گروه‌هایی هستند که ممکن است زودتر از این پیشرفت‌ها بهره‌مند شوند.
موضوع پژوهش: کاربردهای هوش مصنوعی و یادگیری ماشین در کشف دارو، از جمله شناسایی اهداف مولکولی، پیش‌بینی سمیت، بازاستفاده از داروها و پزشکی شخصی‌سازی‌شده.
عنوان مقاله مرجع: هوش مصنوعی و یادگیری ماشین برای کشف دارو
منابع مقاله: «هوش مصنوعی و یادگیری ماشین برای کشف دارو». بدون تاریخ انتشار. انتشار اصلی
شناسه DOI: ارائه نشده است.
منبع خبر: بلیک دیویدسون، ۱۶ اکتبر ۲۰۲۶، «چگونه هوش مصنوعی و یادگیری ماشین مسیر کشف داروهای جدید را متحول می‌کنند»، Scienmag.