توسعه یک داروی جدید همواره چالشی علمی پرهزینه و مستعد شکست بوده است. فرآیندی که ممکن است سالها طول بکشد و سرمایهگذاری عظیمی را طلب کند، در نهایت تنها درصد کمی از کاندیداهای خود را به دست بیماران میرساند. این پیچیدگی در زمینه داروهای بیولوژیک (Biologics) - درمانهای مبتنی بر پروتئینهای مهندسیشده که در بیماریهای حاد و مزمن کاربرد دارند - بسیار بیشتر است.
دانشمندان برای یافتن مولکولی که به هدف درست متصل شود، در بدن پایدار بماند و قابلیت تولید انبوه داشته باشد، باید میان مقادیر عظیمی از مولکولهای احتمالی جستجو کنند. امروزه یادگیری ماشین این فرآیندها را تسریع کرده و به بخشی جداییناپذیر از زیرساختهای تحقیق و توسعه (R&D) در صنعت داروسازی تبدیل شده است.
چالشهای پنهان توسعه داروهای بیولوژیک
طراحی به کمک هوش مصنوعی بخش رو به رشدی از توسعه کاندیداهای دارویی را شکل میدهد. شرکتهای پیشرو مانند آسترازنکا در حال توسعه تیمهای مهندسی خود برای پیشبرد این فناوریها هستند. پوجا ساپرا (Puja Sapra)، معاون ارشد و رئیس مهندسی بیولوژیک تحقیق و توسعه در آسترازنکا، معتقد است که تمامی مراحل طراحی، ساخت، آزمایش و تحلیل اکنون به طور محاسباتی پیشرفتهتر شدهاند. این تغییر رویکرد، زمان چرخهها را کاهش داده و بهرهوری و نوآوری را افزایش داده است.
حلقه بازخورد ساخت، اندازهگیری و یادگیری
رویکرد آسترازنکا بر پایه یک حلقه «ساخت-اندازهگیری-یادگیری» (Build-Measure-Learn) استوار است. در این مدل، هوش مصنوعی مولکولهای کاندید را به صورت محاسباتی اولویتبندی کرده و پیشبینی میکند کدام طرحها بیشترین احتمال موفقیت را دارند. دانشمندان سپس منابع آزمایشگاهی را صرفاً روی برترین کاندیداهای رتبهبندیشده متمرکز میکنند. این روش چرخه بازخورد منسجمتری ایجاد میکند که به بنبستهای کمتر، تکرار سریعتر و امکان هدف قرار دادن بیماریهایی میانجامد که پیش از این غیرقابلدرمان تلقی میشدند.
با توجه به اینکه تعداد ترکیبهای مولکولی ممکن به شدت فراتر از ظرفیت بررسی سیستماتیک تیمهای انسانی است، استفاده از هوش مصنوعی برای محدود و اصلاح کردن گزینههای آزمایشی به یکی از تمرکزهای اصلی طراحی داروهای بیولوژیک تبدیل شده است.
فتح اهداف غیرداروییپذیر با یادگیری ماشین
علاوه بر تسریع زمانبندیها، مدلهای مبتنی بر هوش مصنوعی به کشف کلاسهای کاملاً جدیدی از داروها کمک میکنند. در حالی که داروهای بیولوژیک سنتی غالباً تنها یک مسیر بیماری را هدف قرار میدهند، نسل بعدی داروها میتوانند همزمان به اهداف متعددی حمله برده یا محمولههای درمانی را با دقت به سلولهای خاصی برسانند. تحقق این امر نیازمند بهینهسازی همزمان متغیرهای متعدد است.
مدلهای پیشرفته میتوانند بر اساس زیستشناسی پایه، اهداف اولویتدار را شناسایی کرده و سپس پارامترهای مختلفی چون توانایی مولکول، پایداری، قابلیت ساخت و ایمنی آن را متعادل کنند. به بیان ساپرا، دارویی کردن اهداف غیرداروییپذیر (Drugging the undruggable) در حال تبدیل شدن به یک واقعیت است. این فناوریها به دانشمندان امکان خواهند داد تا داروهایی علیه اهدافی توسعه دهند که روزگاری رسیدگی به آنها غیرممکن مینمود.
دادههای باکیفیت؛ مزیت رقابتی در داروسازی
بر اساس تخمینهای موسسه مکینزی، هوش مصنوعی مولد در ترکیب با سایر ابزارهای محاسباتی میتواند زمانبندی کشف دارو را تا 50 درصد کاهش دهد. با این حال، کارایی هر مدل هوش مصنوعی مستقیماً به کیفیت دادههای آموزشی آن وابسته است. در صنعت داروسازی، این به معنای نیاز به حجم فراوانی از دادههای زیستی باکیفیت است که نتایج آزمایشهای موفق و ناموفق، همگی سیگنالهای ارزشمندی برای این مدلها ارائه میدهند.
مجموعه دادههای اختصاصی و چندوجهی شرکتهای پیشرو، شامل ساختارهای مولکولی، اندازهگیریهای اتصال، پروفایلهای ایمنی و نتایج تولید، عامل اصلی تمایز آنها در این رقابت تکنولوژیک محسوب میشود. با ترکیب این دادهها و الگوریتمهای پیشرفته، مرزهای پزشکی نوین به سمت درمان بیماریهایی جابهجا میشود که روزگار در تسخیر آنها ناتوان بود.
