هوش مصنوعی، کشف دارو و نانوپزشکی را متحول می کند
دیجیتالر: هوش مصنوعی، فناوری شناخته شده و کارآمدی است که می تواند حوزه کشف دارو را از پایه متحول کند.
به گزارش دیجیتالر به نقل از ایسنا و به نقل از نانومگزین، نیاز به واکسن ها و داروهای ضد ویروسی برای مقابله با همه گیری کووید-۱۹، تمرکز بر محدودیت های درمان و سرعت کشف و توسعه داروهای جدید برای هر نوع بیماری را تجدید کرده است.
این تمرکز با کوشش های صورت گرفته در زمینه هوش مصنوعی همراه شده است تا روند توسعه دارو بهبود یابد. "آلفابت"(Alphabet) که شرکت مادر گوگل است، شرکتی موسوم به "آیزوفورمیک لبز"(Isomorphic Labs) را تاسیس کرده تا یادگیری عمیق را در کشف دارو به کار بگیرد. استفاده از هوش مصنوعی برای حل کردن چالش های کشف دارو مانند سایر صنایع، توجه شرکت ها، سرمایه گذاران و عموم مردم را به خود جلب کرده است.
این گزارش نحوه دگرگونی کشف دارو و نانوپزشکی را بررسی می کند.
چالش های کشف دارو
کشف دارو، با مشکل یافتن مولکول های جدیدی هم راه است که به پروتئین های بیماری زای موجود در بدن ما متصل می شوند؛ خواه پروتئین های خود بدن باشند، خواه مهاجمان ویروسی یا باکتریایی. طراحی این مولکول های دارویی جدید، یک چالش علمی و فناوری در مقیاس نانو است. به بازار رسیدن یک داروی معمولی با مولکول کوچکی که می توان آنرا بعنوان قرص تجویز کرد، ۱۰ تا ۱۲ سال زمان می برد و توسعه آن میلیاردها دلار هزینه دارد. احتمال موفقیت هر برنامه نیز بر طبق منطقه درمانی، متغیر است. این یک رقابت با خطرپذیری بالا است و به نسبت هر موفقیت، ده ها شکست وجود دارد.
بازدهی سرمایه حالا درحال کاهش یافتن است و انتظار می رود که بیشتر از این نیز کم شود. شرکت های دارویی، این ناکارآمدی فزاینده را با افزایش قیمت دارو و صدور مجوز برای داروهای امیدوارکننده شرکت های کوچک تر در مراحل ابتدایی توسعه جبران می کنند. افزایش تاییدیه های "سازمان غذا و دارو"(FDA) برای داروهای موسوم به "me-too"، کمک چندانی به بهبود درمان بیماریهای مختلف نمی نماید. اگر صنعتی برای تحول آماده باشد، داروسازی است.
شناسایی گزینه های دارویی بالقوه برای چندین دهه، یک روش آزمون و خطای خودکار و مبتنی بر علم رباتیک بوده است که "غربالگری با توان بالا"(HTS) نامیده می شود. غربالگری با توان بالا، بواسطه تشخیص سیگنال در رابطه با فعالیت اتصال، یک پروتئین عامل بیماری را در مقابل ترکیبات ذخیره شده دارو آزمایش می کند. ترکیباتی که سیگنال های قوی را نشان می دهند، بیشتر مشخص می شوند و از نظر شیمیایی اصلاح می گردند تا در بررسی حیوانی نشان دهند که سیگنال های قوی به اندازه کافی ایمن و مؤثر هستند و آزمایش های بالینی انسانی را تضمین کنند.
ترکیبات ذخیره شده فعلی، به اندازه یک قطره آب در اقیانوس گسترده ترکیبات دارویی بالقوه هستند. تا آن زمان که راهی برای هدایت سریع آن پیدا نشود، کل پروسه کشف دارو زمان بر، پرهزینه و نامنظم باقی می ماند و شانس موفقیت آن بسیار پایین خواهد بود. آنچه مورد نیاز است، داروهای جدیدی هستند که بصورت سیستماتیک طراحی شده اند تا به پروتئین های مورد نظر متصل شوند.
سابقه طولانی جست و جو
هوش مصنوعی، آخرین مورد از چندین تلاش صورت گرفته برای ساده سازی کشف دارو در ۳۰ سال قبل است. حوزه شیمی ترکیبی در دهه ۱۹۹۰، به بلوغ رسید و وعده داد که به سرعت، مجموعه ای از ترکیباتی را عرضه نماید که از پیش بواسطه غربالگری با توان بالا برای آزمایش تولید شده اند.
این وعده، توجه سرمایه گذاران و همین طور مقدار زیادی از پول آنها را به خود جلب کرد اما شیمی ترکیبی فقط تغییرات کوچکی در الگوهای شیمیایی موجود به وجود می آورد و اساسا به تولید مولکول های جدید نمی پردازد. این حوزه بعد از گام های ابتدایی در جهت گسترش مجموعه های ترکیبی گرفتار تزلزل شد؛ بدین سبب بیشتر شرکت هایی که از این روش استفاده می کردند، کنار رفتند.
"پیتر کروکز"(Peter Crooks)، مدیر بخش طراحی و کشف دارو در "انجمن دانشمندان دارویی آمریکا"(AAPS) اظهار داشت: وعده شیمی ترکیبی آن گونه که انتظار می رفت، توسعه نیافته است و ما شاهد افزایش قابل توجه توسعه داروهای جدید نبوده ایم.
شرکت دارویی "ورتکس"(Vertex) در همان دهه، یکی از اولین قهرمانان طراحی سیستماتیک دارو به وسیله کامپیوتر بود. هدف این شرکت، جایگزین کردن روش غربالگری با توان بالا با بهره گیری از ترکیباتی بود که با شبیه سازی کامپیوتری تعامل دارو و پروتئین و بر طبق قوانین پایه ای فیزیک و شیمی، از پیش تولید شده بودند. اگر بتوان مولکول ها را بدون تولید و فقط بواسطه شبیه سازی آزمایش کرد، می توان تعداد بیشتری از گزینه های دارویی بالقوه را در زمان کمتر و با هزینه کمتری نسبت به روش غربالگری با توان بالا مورد بررسی قرار داد.
علم، فناوری و منابع کامپیوتری در آن زمان نمی توانستند با این نظریه مطابقت داشته باشند؛ بدین سبب ورتکس، روش های سنتی آزمون و خطای آزمایشگاهی را سفارشی سازی کرد و نام آنرا به "کموژنومیکس"(Chemogenomics) تغییر داد تا چند گزینه دارویی را به آزمایش های بالینی ببرد.
خیلی از شرکت های همتای آن همچون "لوکاس فارماسیوتیکالز"(Locus Pharmaceuticals) و "فارمیکس"(Pharmix)، مجموعه دستگاه های خودرا تکامل بخشیدند و شرکت های دیگری مانند "Verseon" طی دو دهه گذشته ظاهر شدند.
چالش های کشف دارو با کمک هوش مصنوعی
هم اکنون، تعداد کمی از شرکت های فعال در زمینه هوش مصنوعی تلاش می کنند با بهره گیری از داده های دارویی در دسترس، کشف دارو را بهبود ببخشند. آنها نتایج کار خودرا منتشر نموده اند و به مطرح کردن سه مشکل اساسی پرداخته اند.
اولین مشکل این است که هوش مصنوعی در مرزهای شناخته شده داده گرفتار شده است. "آموری لنداس"(Amaury Lendasse)، پژوهشگر برجسته حوزه هوش مصنوعی و مدیر ارشد فناوری شرکت "ادامو"(Edammo Inc) اظهار داشت: روش های مبتنی بر هوش مصنوعی، از داده های شناخته شده یاد می گیرند و می توانند در دامنه ای که این داده های خاص را در بر دارد، به پیش بینی بپردازند. به عبارت دیگر، درون یابی می کنند. آنها نمی توانند در خارج از این حوزه، عملکرد خوبی داشته باشند و اغلب در برون یابی شکست می خورند.
دومین مشکل این است که استفاده از هوش مصنوعی در کشف دارو، به دو مجموعه متفاوت از داده ها برای پیش بینی خوب نیاز دارد. یکی از مجموعه ها، راهکار هایی را در بر دارد که در وضعیت مشابه کار می کنند و داده هایی را برای ترکیبات تولید شده پیشین ارائه می دهند. دومین مجموعه که هوش مصنوعی را برای ارزیابی موثر شرایط جدید نیاز دارد، برای ترکیباتی به کار می رود که عملکرد درستی ندارند و به شکل معناداری در سوابق علوم زیستی وجود ندارند.
سومین مشکل این است که بیشتر نتایج پژوهش های حوزه علوم زیستی، تکرارناپذیر هستند و حتی از ۵۰ درصد فراتر می روند؛ بنابراین، مشکل هوش مصنوعی بدتر از شکست صرف در برون یابی است. اگر بیشتر داده های منتشرشده تکرارناپذیر باشند، همه پیش بینی های هوش مصنوعی بر طبق چنین داده هایی، بسیار مشکوک هستند.
آیا می توان اظهار داشت که سرمایه گذاران شرکت های کشف دارو مبتنی بر هوش مصنوعی، گرفتار همان تبلیغاتی شده اند که شیمی ترکیبی و طراحی دارو به کمک کامپیوتر را احاطه کرده بود؟
شرکت "بنولنت ای آی"(BenevolentAI) در سالهای اخیر، بیش از ۳۴۵ میلیون دلار بودجه دریافت کرده است. این شرکت، فناوری های موسوم به "مغز ماشینی علوم زیستی"(bioscience machine brain) و "نمودار دانش"(Knowledge Graph) خودرا که مقالات مجلات، داده های آزمایشگاهی، زیست شناسی شبکه، داده های برنامه دارویی، سوابق ثبت اختراع، و داده های بالینی را در بر دارد، به نمایش می گذارد اما هیچ جزییات فنی ارائه نشده است و خیلی از پژوهشگران، نمودار دانش را رد می کنند.
"درک لو"(Derek Lowe)، شیمیدان برجسته، در مقاله علمی سال ۲۰۱۸ خود با عنوان "بنولنت ای آی: دو میلیارد می ارزد"(BenevolentAI: Worth Two Billion)، این روش های پیرامون کشف دارو را رسوا کرد. انتظارات خود لو از هوش مصنوعی، سنجیده تر است. وی به مطرح کردن این مساله پرداخت که هوش مصنوعی برای کاوش در آنچه که پیش تر یافته ایم، بسیار عالی خواهد بود اما اضافه کرد که ما در مورد سلول ها، موجودات و بیماریها، اطلاعات کافی نداریم. هوش مصنوعی، مجموعه ای از داده های کافی برای تجزیه و تحلیل است.
یکی دیگر از شرکت هایی که روشی مبتنی بر هوش مصنوعی دارد، "اکسشیینشا"(Exscientia) است که بتازگی بیش از نیم میلیارد دلار بودجه جمع آوری کرد. این شرکت دارای چند گزینه دارویی است که به فاز یک آزمایش های بالینی وارد می شوند اما به نظر نمی رسد که این ترکیبات واقعا ماده شیمیایی جدیدی باشند. برای نمونه، گزارش ها نشان می دهند که چارچوب شیمیایی ورای آنتاگونیست ضد سرطان گیرنده A۲ این شرکت، سال ها پیش، همراه با چندین چارچوب بسیار مشابه توسط دیگران ارائه شده بود. بنظر می رسد که این مساله در مورد سایر گزینه های دارویی این شرکت نیز صدق می کند.
"کریگ کوبرن"(Craig Coburn)، رییس بخش کشف داروی شرکت "تروتانا تراپیوتیکز"(Trotana Therapeutics)، اطلاعات انتشار یافته را در مورد داروهای شرکت اکسشیینشا که برای اختلال وسواس فکری-عملی، ایمونوانکولوژی و روان پریشی در رابطه با آلزایمر تجویز می شوند، ارزیابی کرد و نتیجه گرفت که هیچ کدام از این برنامه ها، بینش و طراحی بیشتری را نسبت به آنچه که یک شیمیدان با تجربه می تواند عرضه نماید، ارائه نمی کنند. پلت فرم اکسشیینشا را می توان بعنوان روشی نیمه خودکار برای کار کردن در بخش مشخصی از فضای شیمی و برای جستجو در مواد شیمیایی ثبت شده، توصیف کرد.
بررسی مقالات ارسال شده در سایت اکسشیینشا، سرنخ هایی را نیز در مورد اینکه آیا پیشرفت های اساسی صورت گرفته است یا خیر ارائه می دهد. یکی از مقالات برجسته، تحلیل تصویربرداری سلولی را برای شمارش سلول های سرطانی به دست آمده از نمونه برداری ها پوشش می دهد. اکسشیینشا این روش را "scFPM" می نامد. با این وجود، تعدادی از کارشناسان می گویند که این روش هیچ تفاوتی با "فلو سایتومتری"(Flow cytometry) معمولی ندارد و با تکنیک های ساده یادگیری ماشینی برای تجزیه و تحلیل مجموعه خروجی های استاندارد دنبال می شود.
بعد از اینکه یک زیرمجموعه دیگر آلفابت موسوم به "دیپ مایند"(DeepMind)، در سال ۲۰۲۰ توانایی خودرا برای پیش بینی دقیق نحوه تاشدگی پروتئین ها اعلام کرد، شرکت آلفابت، آیزوفورمیک لبز را برای ارائه مجدد روند توسعه داروهای جدید با روش مبتنی بر هوش مصنوعی تاسیس کرد.
یادگیری عمیق، روشی مبتنی بر یادگیری ماشینی است که مرکز فناوری دیپ مایند بشمار می رود و از زمان توسعه اولین شبکه های عصبی، پیشرفت های شایان توجهی داشته است.
با این وجود، برخی از قوانینی که به خوبی تعریف شده اند و مقادیر زیادی از داده های موجود یا قابل تولید، مشخصه این تنظیمات هستند و تاشدگی پروتئین، موضوعی است که خاصیت های مشابهی دارد. قوانین تکاملی گوناگون، بر نحوه شکل گیری پروتئین ها برای مفید واقع شدن در یک محیط زیستی نظارت می کنند. حجم قابل توجهی از داده های تجربی نیز در دهه های اخیر، در مورد ساختارهای پروتئینی و تغییرات ساختاری که پروتئین ها بعد از بروز تغییرات کوچک در توالی تشکیل دهنده آمینواسیدهای خود نشان می دهند، جمع آوری شده است. همه این اطلاعات، محیطی عالی را جهت استفاده از روش های یادگیری عمیق ایجاد می کنند.
در مقابل، کشف دارو یک محیط کاملا متفاوت می باشد. داده های موجود در مورد اتصال پروتئین و دارو، خیلی کم و اغلب غیرقابل اعتماد هستند. در مقایسه با تعداد زیادی از ترکیبات بالقوه دارویی، تعداد بی نهایت کمی از ترکیبات در این محیط تولید شده اند. مشکل تکرارناپذیری که پیش تر مورد بحث قرار گرفت، بدین معناست که خیلی از داده های مربوط به این ترکیبات و تعدادی از اثرات بیولوژیکی آنها غیرقابل اعتماد هستند. یک نکته دیگر این است که تغییرات کوچک صورت گرفته در مولکول های دارو می تواند تأثیر زیادی بر میل پیوند آنها به پروتئین مورد نظر و همین طور سایر خاصیت های بیولوژیکی آنها داشته باشد. این تنظیم برای بیشتر روش های یادگیری ماشینی، خصوصاً یادگیری عمیق، مناسب نمی باشد.
"گوانگ بین هوانگ"(Guang-Bin Huang)، استاد "دانشگاه صنعتی نانیانگ"(NTU) در سنگاپور اظهار داشت: یادگیری عمیق به رغم موفقیت های خود در عرصه های خاص، در خیلی از موقعیت ها راهکار خوبی نیست. به ویژه، قابلیت های یادگیری و عملکرد پیش بینی آن برای مجموعه کوچک یا پراکنده ای از داده ها، کاملا محدود است.
با این وجود، "دمیس حسابیس"(Demis Hassabis)، مدیر عامل اجرائی دیپ مایند و آیزوفورمیک لبز گفت: ممکنست ساختار زیربنایی مشترکی میان زیست شناسی و علم اطلاعات وجود داشته باشد. درست همانگونه که ریاضیات، زبان توصیف مناسبی برای فیزیک است، امکان دارد که زیست شناسی، بهترین ساختار جهت استفاده از هوش مصنوعی باشد. اما این بیانیه می تواند به ایجاد شک و تردید اساسی از طرف کارشناسانی منجر شود که با چالش نامنظم کشف داروهای جدید آشنا هستند.
در حقیقت، ادعاهای جسورانه و شرایط بازاریابی جدید در مورد روش های قدیمی اصلاح شده نشان میدهد که خیلی از شرکت های فعال در زمینه اکتشاف دارو با محوریت هوش مصنوعی، روش های ورتکس و سایر شرکت های قدیمی تر را دنبال می کنند. امید است که تعدادی از این روش ها، پیشرفت های تدریجی را در حوزه کشف دارو ایجاد کنند و احیانا چند گزینه دارویی را نیز پیش ببرند اما هم اکنون، هیچ نشانه ای در خصوص تغییر اساسی این پروسه وجود ندارد.
شرکت هایی با روش های کل نگری
اگر روشی فقط مبتنی بر هوش مصنوعی باشد، بعید است که مشکلات اساسی کشف دارو را حل کند. باید دید که برای طراحی ترکیباتی که پیش تر ساخته نشده اند و مدل سازی دقیق تعامل آنها با پروتئین های بیماری زا بدون نیاز به ساخت آنها در آزمایشگاه، چه چیزی لازم است.
پاسخ این پرسش، هوش مصنوعی است اما در رابطه با پیشرفت در سطح اتمی شیمی و فیزیک مطرح می شود.
شرکت "شرودینگر"(Schrödinger) از سال ۱۹۹۰ دراین زمینه فعالیت داشته است و دستگاه های نرم افزاری را برای کشف دارو با کمک کامپیوتر می فروشد که مدل سازی مبتنی بر فیزیک را در بر دارد و با بررسی های مبتنی بر داده های ویژه تجربی تکمیل می شود. بیشتر شرکت های داروسازی و زیست فناوری در دو دهه گذشته، از ابزارهای شرودینگر و دیگران بهره برده اند. با این وجود، روند نزولی صنعت در راندمان پژوهش و توسعه نشان میدهد که چنین ابزارهایی در وضعیت فعلی قادر به تغییر دادن حوزه کشف دارو نیستند.
با این وجود، بااینکه دستگاه های شرودینگر، متحول کننده نیستند اما یقینا برای پروسه کشف دارو سودمند هستند. این شرکت در سال ۲۰۲۰ برای تامین مالی برنامه های دارویی داخلی، به بازار وارد شد و بااینکه هیچ کدام از محصولات آن تا حالا به آزمایش های بالینی نرسیده اند اما راندمان شرودینگر، بدتر از سایر شرکت های دارویی سنتی یا مبتنی بر هوش مصنوعی نیست و حتی باتوجه به درک عمیق تر آن در مورد دستگاه های خود، احیانا بهتر است.
شرکت Verseon نیز یک پلت فرم کشف دارو دارد که با محصولات شرکت های دارویی سنتی یا مبتنی بر هوش مصنوعی متفاوت می باشد. این شرکت، دستگاه های مبتنی بر هوش مصنوعی خودرا برای بخش هایی از توسعه دارویی خود ساخته است و استفاده می نماید. موضع شرکت این است که پیشرفت های اساسی در خیلی از زمینه های مختلف علمی، برای طراحی سریع سیستماتیک و توسعه گزینه های دارویی جدید ضروری هستند. شرکت Verseon به رغم تمایل برای محافظت از اسرار تجاری خود، پلت فرم خودرا در دسترس افراد مشهور و معتبر حوزه صنعت و دانشگاه قرار داده است.
"رابرت کارر"(Robert Karr)، معاون سابق راهبرد پژوهش و توسعه شرکت "فایزر"(Pfizer)، بر طبق تجزیه و تحلیل و آزمایش پلت فرم خود، به سرمایه گذاری در Verseon ادامه داد و اظهار داشت: پلت فرم Verseon، نحوه کشف و توسعه داروها را تغییر می دهد و این شرکت آماده است تا تأثیر شایان توجهی بر پزشکی جدید بگذارد.
شرکت Verseon هم اکنون، ۱۴ داروی جدید را در مراحل مختلف توسعه دارد.
برنامه مربوط به داروی ضد انعقاد Verseon، هم اکنون در مرحله آزمایش بالینی است. "جان دینفیلد"(John Deanfield)، استاد قلب و عروق "کالج دانشگاهی لندن"(UCL) اظهار داشت: ضد انعقادهای Verseon به خاطر عملکرد منحصر به فرد و خطر خونریزی کم، بسیار امیدوارکننده به نظر می رسند. داروهای این شرکت، یک فرصت هیجان انگیز برای درمان تعداد زیادی از بیماران قلبی-عروقی هستند.
بطور کلی می توان اظهار داشت که هوش مصنوعی می تواند فناوری مهمی باشد که به پروسه کشف دارو کمک می نماید اما موفق ترین شرکت ها، آن گروهی هستند که پیچیدگی گسترده حوزه کشف دارو را کاملا درک کرده اند و روش هایی را برای رسیدگی به همه جنبه های این چالش توسعه می دهند. خیلی از صنایع دیگر، شاهد سرخوشی و سرمایه گذاری سوداگرانه بوده اند که توسط شرکت هایی که روش های جدید را بررسی می کنند، ابداع شده اند. بیشتر آنها شکست می خورند اما گاهی اوقات، یک یا دو شرکت ظاهر می شوند تا همه چیز را اساسا تغییر دهند. ممکنست که شاهد تغییراتی در زمینه کشف دارو باشیم که تفاوتی واقعی را در سلامت جهانی ایجاد خواهند کرد.
منبع: digitaler.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب