3 اتجاهات الذكاء الاصطناعي في اكتشاف الأدوية التي برزت في عام 2022

ليس هناك شك في أن عام 2022 شهد رحلة جامحة لابتكار الذكاء الاصطناعي وحالات استخدامه للأعمال في العديد من الصناعات. امتد الذكاء الاصطناعي إلى ما هو أبعد من التسويق ورضا العملاء والاحتفاظ بالموظفين. أحد المجالات التي حققت فيها إنجازات كبيرة هو الطب والتكنولوجيا الحيوية والصيدلة ، حيث تعمل على تحويل اكتشاف الأدوية وتطويرها.

يبلغ متوسط ​​تكلفة اكتشاف وتطوير دواء ما 1.3 مليار دولار و “يتطلب أي شيء من 12 إلى 15 عامًا لتصل إلى السوق” ، وفقًا لما ورد في ورقة PubMed. لذلك ليس من المستغرب أن تشهد صناعة اكتشاف الأدوية ارتفاعًا كبيرًا في التقنيات التي تعمل بالذكاء الاصطناعي. ومن الأمثلة على ذلك ورقة بحثية نُشرت في مجلة Nature تشير إلى أن دمج الذكاء الاصطناعي في اكتشاف الأدوية وتطويرها قد زاد بنسبة 40٪ تقريبًا سنويًا.

وفقًا لمستثمري الرعاية الصحية Tzvi Bessler و Morris Laster ، دكتوراه ، “تستفيد شركات اكتشاف الأدوية من الذكاء الاصطناعي بعدة طرق ، مثل استخدام خوارزميات التعلم الآلي لتحديد الأدوية المرشحة المحتملة ، والتنبؤ بفعاليتها وسلامتها ، وتحسين تصميمها . ” . على سبيل المثال ، يستخدمون الذكاء الاصطناعي لتحليل مجموعات كبيرة من البيانات البيولوجية والكيميائية لتحديد الأنماط والعلاقات التي قد تكون ذات صلة باكتشاف الأدوية “.

وقالوا إن هذا يساعد الشركات على “تحديد خيوط واعدة وتسريع عملية اكتشاف الأدوية”.

مع انتهاء العام في مجال الذكاء الاصطناعي ، تحدثت VentureBeat إلى العديد من الخبراء حول اتجاهات الذكاء الاصطناعي الأكثر إقناعًا في عام 2022 في اكتشاف الأدوية. فيما يلي ثلاثة اتجاهات بارزة:

1. زيادة كفاءة النمذجة البيولوجية واكتشاف العقاقير المستهدفة

أخبر جيمس هاندلر ، الأستاذ في معهد Rensselaer Polytechnic ورئيس مجلس سياسة تكنولوجيا آلات الحوسبة ، VentureBeat عن استخدامين يظهر فيهما الذكاء الاصطناعي واعدًا في اكتشاف الأدوية: تقليل عدد المرشحين المحتملين للتجارب ، وتقديم تفسيرات محتملة لـ الاستخدام الثانوي للعقاقير – وهذا هو السبب في أن الدواء يظهر فعاليته في حالة لم يتم تصميمه في الأصل لعلاجه.

وأشار إلى أن المفتاح في كلتا الحالتين هو أن “الذكاء الاصطناعي يمكنه تقليل عدد الاحتمالات التي يجب استكشافها من خلال الوسائل التقليدية”. هذا يساعد في النمذجة البيولوجية واكتشاف هدف المخدرات. وأضاف: “ومع ذلك ، فإن جانبًا مهمًا من هذا هو أن أنظمة الذكاء الاصطناعي قادرة على شرح تنبؤاتها للبشر ، وهو محور البحث الحالي. هذا يسمح للبشر باتخاذ القرارات النهائية [on] التحليل والاختبار ، مع خفض الذكاء الاصطناعي بشكل كبير من تكلفة طرح الأدوية الناجحة في السوق “.

يبدأ اكتشاف الأدوية وتطويرها عادةً بتحديد هدف بيولوجي – جين أو بروتين أو مستقبل أو إنزيم ، على سبيل المثال. البروتينات هي أكثر أهداف الأدوية شيوعًا بسبب قدرتها على التأثير في سلوك الخلية أو وظيفتها. لذا فقد تضمنت جهود اكتشاف الأدوية التقليدية اختيار بروتينات معينة ذات جيوب يمكن أن تتأثر بجزيئات واعدة شبيهة بالعقاقير (والتي تصبح فيما بعد الليجند ، أو الدواء الملزم).

ومع ذلك ، فإن هذه العملية صعبة من الناحية الحسابية. من بين 20،360 بروتينًا بشريًا مخزنة في SWISS-PROT – قاعدة بيانات تسلسل البروتينات الأكثر استخدامًا في العالم والمنسقة بخبرة – تم استكشاف القليل فقط كأهداف للأدوية.

تستخدم المنظمات الآن قدرة الذكاء الاصطناعي على الربط بين كميات كبيرة من البيانات ومطابقتها ، مما يؤدي إلى تحديد هدف الدواء واكتشافه بشكل أكثر كفاءة. في عام 2022 ، قامت العديد من مؤسسات الرعاية الصحية التي تعمل بالذكاء الاصطناعي بتوجيه الموارد نحو بناء أدوات نمذجة متقدمة لا تقوم فقط بنمذجة البيولوجيا ولكن أيضًا تحدد الأهداف الجديدة وتتحقق من صحتها. هذا العام ، دخلت شركات الأدوية الكبرى مثل AstraZeneca و Pfizer في شراكة مع بائعي الذكاء الاصطناعي الذين يقدمون الاكتشاف كخدمة لاكتشاف أكثر من ثمانية أهداف جديدة.

2. تحسين تنبؤ بنية البروتين

يجب طي البروتينات في هياكل ثلاثية الأبعاد محددة. تم ربط الطي غير الصحيح أو الغائب بعلم أمراض العديد من الأمراض. إن توقع بنية البروتين مهم أيضًا في عملية اكتشاف الدواء لأنه يوفر فهماً أفضل لكيفية عمل البروتين ، وبالتالي يُعلم كيف يمكن أن يتأثر ويتحكم فيه ويعدله.

هذه مهمة صعبة. أشار تقرير بحثي في ​​علم الأحياء الحسابي إلى أن التنبؤ ببنية البروتين “لا يزال يمثل تحديًا سائدًا”.

ومع ذلك ، ألهم عام 2022 تحقيق تقدم كبير في التنبؤ بكيفية طي البروتينات. كان هذا بقيادة برنامج DeepMind المبتكر مفتوح المصدر ، AlphaFold ، والذي يمكنه التنبؤ بالبنية ثلاثية الأبعاد للبروتين من تسلسل الأحماض الأمينية أحادي البعد. كان AlphaFold قادرًا على التنبؤ بالتراكيب البروتينية لـ “جميع البروتينات المفهرسة تقريبًا المعروفة للعلم”.

لتقليل ما قد يستغرق عادةً سنوات إلى مجرد ثوانٍ ، استخدم البرنامج في يوليو قوة التعلم العميق للذكاء الاصطناعي للتنبؤ بمشاركة أكثر من 200 مليون بنية بروتينية تنتمي إلى الحيوانات والنباتات والبكتيريا والفطريات والكائنات الحية الأخرى ومشاركتها علنًا.

في نوفمبر ، وجد نموذج الذكاء الاصطناعي لشركة DeepMind منافسًا جديرًا في فريق Meta البحثي. استفادت Meta من قدرات معالجة اللغة الطبيعية للذكاء الاصطناعي (NLP) وطبقت “نموذج لغة كبير” للتنبؤ ببنية أكثر من 600 مليون بروتين موجود في الكائنات الحية المعروفة وغير المعروفة. يعد هذا تقدمًا كبيرًا للتنبؤ بهيكل البروتين ، والذي كان يمثل سابقًا تحديًا كبيرًا.

أثناء تصميم عقار de novo (DNDD) – والذي تصفه PubMed بأنه “تصميم كيانات كيميائية جديدة تتناسب مع مجموعة من القيود باستخدام خوارزميات النمو الحسابي” – يتم تطوير الجزيئات من نقطة الصفر ، مما يسمح بمراحل تجربة وخطأ أقصر. نظرًا لأن de novo عادةً ما يكون نوعًا من التصميم التوليدي ، فهو يعتمد إلى حد كبير على العمليات الحسابية ونماذج التعلم العميق.

شهد عام 2022 تقدمًا كبيرًا في تطوير مناهج de novo التي تدمج بنيات التعلم المعزز في الشبكات العصبية العادية للذكاء الاصطناعي.

كان الفحص الافتراضي لقواعد البيانات الحالية ، وهو جانب آخر من تصميم الأدوية ، موضع اهتمام أيضًا في عام 2022. إن الجمع بين قواعد البيانات الكبيرة لأوجه التشابه واكتشاف الخصائص المحددة يحدد ميزات الذكاء الاصطناعي. طبقت شركات الأدوية العملاقة هذه التقنية على كميات كبيرة من قواعد البيانات واستثمرت ملايين الدولارات في شراكات مع منصات الذكاء الاصطناعي القادرة على فحص تريليونات المركبات المركبة تقريبًا.

وأشار هاندلر إلى أن الأدوية التي يبدو أنها فعالة في التجارب على الحيوانات غالبًا ما تفشل عندما تصل إلى التجارب البشرية. وقال إن التحدي يكمن في توقع السمية من البيانات السابقة. “تستكشف التقنيات الجديدة كيفية استخدام نماذج الذكاء الاصطناعي التي تدمج أنواعًا عديدة من بيانات الاختبار للتنبؤ بالسمية بشكل أفضل وبالتالي تقليل عدد المرشحين الذين يحتاجون إلى اختبارات باهظة الثمن.”

أضاف هاندلر أن المزيد من البيانات أصبحت متاحة ومشاركتها ، وتوقع أن “هذا من شأنه أن يخلق العديد من الفرص للابتكار في اكتشاف الأدوية” بحلول عام 2023. كما أشار مراسل VentureBeat آشلي هولويل في مقال حديث ، “التقدم ، وليس الكمال ، هو ما يجب القيام به توقع [from AI applications] في عام 2023 “- بما في ذلك عالم اكتشاف الأدوية المعقد.