اكتشاف المخدرات بالذكاء الاصطناعي: كيف يغير اللعبة

اكتشاف الأدوية باستخدام الذكاء الاصطناعي آخذ في الازدياد.

قفزت الاستثمارات في اكتشاف العقاقير بالذكاء الاصطناعي ، سواء أكانت مبالغًا فيها أم لا ، من 450 مليون دولار في عام 2014 إلى 58 مليار دولار في عام 2021. وقد عززت جميع شركات الأدوية العملاقة ، بما في ذلك Bayer و AstraZeneca و Takeda و Sanofi و Merck و Pfizer ، الإنفاق على أمل إنشاء حلول الذكاء الاصطناعي الحديثة التي ستوفر كفاءة التكلفة والسرعة والدقة في عملية اكتشاف الأدوية.

لطالما كان اكتشاف الأدوية التقليدية صعبًا للغاية. يستغرق الأمر ما لا يقل عن 10 سنوات ويمكن أن يكلف 1.3 مليار دولار لإحضار دواء جديد إلى السوق. وهذا هو الحال فقط بالنسبة للأدوية التي تنجح في التجارب السريرية (ينجح واحد فقط من كل عشرة). ومن هنا يأتي الاهتمام بإيجاد طرق جديدة لاكتشاف العقاقير وتصميمها.

لقد ساعد الذكاء الاصطناعي بالفعل في تحديد العلاجات المرشحة الواعدة ، ولم يستغرق الأمر سنوات ، بل شهورًا فقط - وفي بعض الحالات ، أيام فقط. في هذه المقالة ، سوف نستكشف كيف يغير اكتشاف العقاقير بالذكاء الاصطناعي الصناعة. سننظر في قصص النجاح وفوائد الذكاء الاصطناعي ، فضلاً عن حدوده. هيا بنا.

كيف يتم اكتشاف المخدرات

تبدأ عملية اكتشاف الأدوية عادةً بتحديد العلماء لهدف في الجسم ، مثل بروتين أو هرمون معين ، يشارك في تطور المرض. ثم يستخدمون طرقًا مختلفة للعثور على علاج محتمل ، والذي يتضمن الطرق التالية.

1. فحص المركبات الموجودة: يمكن للعلماء فحص مكتبات المركبات (المنتجات الطبيعية أو المواد الكيميائية) التي صنعوها بالفعل للتحقق مما إذا كان أي منها لديه التفاعل المطلوب مع الهدف.
2. تصميم عقار دي نوفو: يمكن للعلماء استخدام النمذجة والمحاكاة الحاسوبية لتطوير مركبات كيميائية جديدة يمكنها القيام بهذه المهمة. يتم استخدام هذا النهج لإنشاء عقاقير جزيئية صغيرة ، وهي مركبات مخلقة كيميائيًا يقل حجمها عن 1500 دالتون.
3. علم الأحياء: يمكن للباحثين أيضًا إنتاج جزيئات بيولوجية مثل الأجسام المضادة أو الإنزيمات أو البروتينات لتعمل كأدوية. يتضمن ذلك عزل أو تصنيع الجزيئات من الكائنات الحية التي يمكن أن تتفاعل مع الهدف. بالمقارنة مع الجزيئات الصغيرة ، عادة ما تكون هذه الجزيئات أكبر وأكثر تعقيدًا.
4. تغيير الغرض: يمكن للعلماء إلقاء نظرة على المركبات التي تم تطويرها لأغراض أخرى ومعرفة ما إذا كانت لديها إمكانات علاجية للمرض المعني.

بمجرد العثور على دواء مرشح محتمل (يسمى المركب الرئيسي) ، يتم اختباره في الخلايا أو الحيوانات ، قبل الانتقال إلى التجارب السريرية التي تشمل ثلاث مراحل ، بدءًا بمجموعات صغيرة من المتطوعين الأصحاء ، ثم الانتقال إلى مجموعات أكبر من المرضى الذين يعانون من الشرط المحدد.

كيف يتم تطبيق الذكاء الاصطناعي

يغطي الذكاء الاصطناعي العديد من التقنيات والأساليب التي تتضمن استخدام أساليب حسابية متطورة لتقليد عناصر الذكاء البشري مثل الإدراك البصري والتعرف على الكلام واتخاذ القرار وفهم اللغة.

بدأ الذكاء الاصطناعي في الخمسينيات من القرن الماضي كسلسلة بسيطة من "إذا ، إذن القواعد" وشق طريقه إلى الرعاية الصحية بعد عقدين من الزمن بعد تطوير خوارزميات أكثر تعقيدًا. منذ ظهور التعلم العميق في العقد الأول من القرن الحادي والعشرين ، توسعت تطبيقات الذكاء الاصطناعي في الرعاية الصحية. تعمل بعض تقنيات الذكاء الاصطناعي على تمكين تصميم الأدوية.

التعلم الالي

يركز التعلم الآلي (ML) على تدريب خوارزميات الكمبيوتر للتعلم من البيانات وتحسين أدائها ، دون أن تكون مبرمجة بشكل صريح للقيام بذلك.

تشمل حلول ML مجموعة متنوعة من الفروع ، لكل منها خصائصها ومنهجياتها الفريدة. تشمل هذه الفروع التعلم الخاضع للإشراف وغير الخاضع للإشراف ، بالإضافة إلى التعلم المعزز ، وفي كل فرع توجد تقنيات خوارزمية مختلفة تُستخدم لتحقيق أهداف محددة ، مثل الانحدار الخطي ، والشبكات العصبية ، وآلات ناقلات الدعم. يحتوي ML على العديد من مجالات التطبيق المختلفة ، أحدها في مجال اكتشاف الأدوية بالذكاء الاصطناعي حيث يتيح ما يلي:

• فحص افتراضي للمركبات لتحديد الأدوية المرشحة المحتملة
• النمذجة التنبؤية لفاعلية الأدوية وسميتها
• تحديد أهداف جديدة لتطوير الأدوية
• تحليل البيانات الجينومية والبروتينية واسعة النطاق التي تم جمعها من الكائنات الحية (مثل تسلسل الحمض النووي ومستويات التعبير الجيني وتركيبات البروتين)
• تحسين جرعات الأدوية ونظم العلاج
• النمذجة التنبؤية لاستجابات المريض للعلاج

تعلم عميق

التعلم العميق (DL) هو مجموعة فرعية من ML تعتمد على استخدام الشبكات العصبية الاصطناعية (ANNs). تتكون الشبكات العصبية الاصطناعية من عقد مترابطة ، أو "عصبونات" ، متصلة بواسطة مسارات ، تسمى "نقاط الاشتباك العصبي". كما هو الحال في الدماغ البشري ، تعمل هذه الخلايا العصبية معًا لمعالجة المعلومات وإجراء تنبؤات أو قرارات. كلما زاد عدد طبقات الخلايا العصبية المترابطة التي تمتلكها الشبكة العصبية ، كلما كانت أكثر "عمقًا".

على عكس خوارزميات التعلم الخاضعة للإشراف وشبه الإشراف التي يمكنها تحديد الأنماط في البيانات المنظمة فقط ، فإن نماذج DL قادرة على معالجة كميات هائلة من البيانات غير المنظمة ويمكنها إجراء تنبؤات أكثر تقدمًا مع إشراف ضئيل من البشر.

في اكتشاف العقاقير بالذكاء الاصطناعي ، يُستخدم DL من أجل:

• فحص افتراضي محسّن للمكتبات المركبة لتحديد النتائج ذات الاحتمالية العالية للارتباط بهدف
• التنميط القائم على الصورة لفهم الأنماط الظاهرية المرتبطة بالأمراض أو آليات المرض أو سمية الدواء
• تنبؤات أكثر دقة حول كيفية امتصاص الدواء وتوزيعه واستقلابه وإفرازه من الجسم (خصائص حركية الدواء)
• التنبؤ بالتفاعلات المستهدفة للدواء وتقارب الارتباط
• التنبؤ ببنية البروتينات التي تمثل معظم أهداف الأدوية المحددة حاليًا
• إنتاج مركبات جديدة شبيهة بالعقاقير ذات الخصائص الفيزيائية والكيميائية والنشاط الحيوي المطلوبة
• أتمتة عمليات التجارب السريرية وتصميم البروتوكول.

معالجة اللغة الطبيعية

تعتمد معالجة اللغة الطبيعية (NLP) على مجموعة من التقنيات من اللغويات والرياضيات وعلوم الكمبيوتر ، بما في ذلك نماذج DL ، لتحليل اللغة البشرية وفهمها وتوليدها. غالبًا ما تستخدم أبحاث اكتشاف العقاقير بالذكاء الاصطناعي البرمجة اللغوية العصبية لاستخراج المعلومات من البيانات المنظمة وغير المهيكلة لتحقيق ما يلي:

1. التنقيب عن نصوص المؤلفات العلمية لتحديد الارتباطات بين الكيانات الكيميائية / الدوائية وأهدافها والمسارات الجديدة المتعلقة بالأمراض
2. استخراج المعلومات المنظمة من السجلات الصحية الإلكترونية غير المنظمة (EHRs) ، مثل التركيبة السكانية للمرضى والتشخيصات والأدوية
3. تحديد أحداث المخدرات الضارة عن طريق تحليل البيانات النصية من وسائل التواصل الاجتماعي والمقالات الإخبارية والمصادر الأخرى
4. تحديد معايير الأهلية للتجارب السريرية بناءً على البروتوكولات ومطابقة المرضى للتجارب
5. تلخيص المعلومات الدوائية

لماذا يعتبر اكتشاف الأدوية بالذكاء الاصطناعي حديث المدينة الآن

في العامين الماضيين ، اتخذت الشركات عبر قطاع الأدوية خطوات لدمج الذكاء الاصطناعي في أساليب البحث الخاصة بهم. ويشمل ذلك بناء فرق الذكاء الاصطناعي الداخلية ، وتوظيف متخصصي الرعاية الصحية بالذكاء الاصطناعي ومحللي البيانات ، ودعم الشركات الناشئة بتركيز على الذكاء الاصطناعي ، والتعاون مع شركات التكنولوجيا أو مراكز الأبحاث. مزيج من العوامل يقود هذا الاتجاه.

القوة المتزايدة لأجهزة الكمبيوتر وتطورات الذكاء الاصطناعي الجديدة

أدت التطورات التكنولوجية الحديثة إلى تحويل التركيز التقليدي لأبحاث اكتشاف العقاقير بالذكاء الاصطناعي.

نظرًا لأن غالبية الشركات في هذا القطاع (حوالي 150 في عام 2022 وفقًا لتقرير BiopharmaTrend AI) تواصل التركيز على تصميم جزيئات صغيرة يسهل تمثيلها حسابيًا ومقارنتها على نطاق واسع ، فهناك أيضًا اهتمام متزايد بالتطبيقات الجديدة للذكاء الاصطناعي في اكتشاف الأدوية.

بدأت العديد من الشركات - 77 منها - في تبني الذكاء الاصطناعي لتصميم المستحضرات الدوائية الحيوية ، و 55 منها تكتشف مؤشرات حيوية تشير إلى وجود مرض ما أو تطوره. يركز البعض الآخر على بناء منصات اكتشاف الأدوية بالذكاء الاصطناعي ، أو تحديد أهداف جديدة ، أو إنشاء علم الوجود - تمثيلات منظمة للعلاقات بين الكيانات المختلفة ، مثل المركبات الكيميائية والبروتينات والأمراض.

توسيع الوصول إلى أدوات الذكاء الاصطناعي

نظرًا لأن النقص في مواهب الذكاء الاصطناعي لا يظهر أي علامة على التراجع ، فقد تقلصت حواجز الدخول إلى اكتشاف العقاقير بالذكاء الاصطناعي. يقوم بائعي التكنولوجيا وعمالقة الأدوية بإطلاق منصات ذكاء اصطناعي متطورة بشكل متزايد ، بما في ذلك أنظمة السحب والإفلات الجاهزة للاستخدام بدون كود وأنظمة السحب والإفلات التي تمكن الخبراء من غير الذكاء الاصطناعي من دمج الذكاء الاصطناعي في أبحاثهم. تلعب هذه التطورات دورًا رئيسيًا في التبني السريع للذكاء الاصطناعي من قبل الصناعة.

قصص النجاح المدعومة بالذكاء الاصطناعي

حققت مشاريع اكتشاف العقاقير بالذكاء الاصطناعي التي يتم متابعتها في الأوساط الأكاديمية والصناعة بالفعل النتائج الأولى الناجحة عبر سلسلة القيمة لاكتشاف الأدوية. تشمل الأمثلة ما يلي:

• قامت شركة DeepMind ببناء نظام الذكاء الاصطناعي AlphaFold ، والذي يمكنه التنبؤ بالبنية ثلاثية الأبعاد للبروتين من تسلسل الأحماض الأمينية أحادية البعد في ثوانٍ بدلاً من الأشهر أو السنوات التي يستغرقها عادةً. تم استخدام النظام للتنبؤ بأكثر من 200 مليون بنية بروتينية تنتمي إلى الحيوانات والنباتات والبكتيريا والفطريات والكائنات الحية الأخرى.
• طور باحثو جامعة واشنطن نموذجًا تعليميًا عميقًا يستخدم أجهزة كمبيوتر الألعاب لحساب هياكل البروتين في غضون 10 دقائق.
• استخدمت شركة Deep Genomics تقنيات الذكاء الاصطناعي لفحص أكثر من 2400 مرض و 100000 طفرة للتنبؤ بالآلية الدقيقة المسببة للأمراض في طفرة مرض ويلسون وإنشاء عقار DG12P1 في 18 شهرًا.
• أصدر علاء الدين منصة اكتشاف عقاقير مدعومة بالذكاء الاصطناعي للاستخدام التجاري في الفحص الافتراضي ، والاصطدام بالرصاص ، وتحسين الرصاص ، والمرحلة ما قبل السريرية. ساعدت هذه المنصة علاء الدين في تحديد عدد من المركبات الدوائية للعلاج المحتمل للأمراض المرتبطة بالعمر.
• طورت شركة IBM نظام Watson بقدرات الحوسبة المعرفية التي تستخدمها صناعة الأدوية لمطابقة المرضى مع التجارب السريرية المناسبة لحالتهم. في تجربة سريرية لسرطان الثدي ، أظهرت المنصة زيادة بنسبة 80٪ في التسجيل وتقليصًا في وقت المطابقة التجريبية.
• استغرق AbCellera أقل من ثلاثة أشهر لتطوير جسم مضاد أحادي النسيلة لتحييد المتغيرات الفيروسية لـ COVID-19 والحصول على موافقة من إدارة الغذاء والدواء الأمريكية (FDA).
• في عدة أيام ، جمعت BenevolentAI الرسم البياني المعرفي الخاص بها مع أدوات الذكاء الاصطناعي للكشف عن الباريسيتينيب كعلاج محتمل لـ COVID-19.
• سرَّعت BioXcel Therapeutics اكتشاف عقار ديكسميديتوميدين كمسكن لمرضى الفصام والاضطرابات ثنائية القطب. حصلت الشركة على موافقة إدارة الأغذية والعقاقير (FDA) لفيلمها تحت اللسان الخاص بها من ديكسميديتوميدين (IgalmiTM) في أقل من أربع سنوات بعد تجاربها الأولى على البشر.
• باستخدام الذكاء الاصطناعي ، صممت Exscientia ثلاثة جزيئات صغيرة للدخول في التجارب السريرية على مدى عامين. الجزيئات مخصصة لعلاج ذهان مرض الزهايمر ، واضطراب الوسواس القهري ، وعلم الأورام المناعي.
• في أوائل عام 2023 ، أبلغ Insilico عن نتائج إيجابية في المرحلة الأولى من التجربة السريرية لأول جزيء جديد مصمم بالذكاء الاصطناعي لهدف جديد تم اكتشافه بواسطة الذكاء الاصطناعي لعلاج التليف الرئوي مجهول السبب (IPF).
• في عام 2021 ، وصل 13 علمًا بيولوجيًا مشتقًا من الذكاء الاصطناعي إلى المرحلة السريرية ، مع مجالات علاجهم بما في ذلك COVID-19 وعلم الأورام وعلم الأعصاب.

الفوائد والتحديات في اكتشاف الأدوية بالذكاء الاصطناعي

الذكاء الاصطناعي هو أداة قوية تبشر بإحداث ثورة في صناعة الأدوية. بفضل قدرته على تحليل كميات هائلة من البيانات والتنبؤات ، يمكن للذكاء الاصطناعي أن يساعد الباحثين في التغلب على العقبات التي أعاقت عملية اكتشاف الدواء لفترة طويلة من خلال تمكين:

• تقليل الجداول الزمنية للاكتشاف والمراحل قبل السريرية
• تنبؤات أكثر دقة حول نجاعة الأدوية وسلامتها
• رؤى جديدة غير متوقعة حول تأثيرات الأدوية والأمراض
• خطوط بحث جديدة واستراتيجيات جديدة للبحث والتطوير
• توفير التكاليف من خلال التحليل والتشغيل الآلي بشكل أسرع.

وفقًا لـ Insider Intelligence ، يمكن للذكاء الاصطناعي توفير ما يصل إلى 70٪ من تكاليف اكتشاف الأدوية لصناعة الأدوية. تعد إمكانات الذكاء الاصطناعي في اكتشاف الأدوية مثيرة حقًا ، ولكن هناك بعض العوائق التي يجب معالجتها أولاً لاستغلالها على أكمل وجه.

بيانات

عندما يتعلق الأمر بالذكاء الاصطناعي ، فإن الأمر يتعلق دائمًا بإدخال البيانات. تمثل صوامع البيانات والأنظمة القديمة التي لا تسمح بدمجها عقبات كبيرة أمام أبحاث الذكاء الاصطناعي في أي مجال. في صناعة الأدوية ، قد تكون المشكلة أكثر وضوحًا.

لطالما كانت شركات الأدوية سيئة في مشاركة البيانات ، سواء كانت ناتجة عن دراسات إكلينيكية أو معلومات مريض غير محددة الهوية ، في حين أن مجموعة البيانات التي تمتلكها قد توفر إجابات لأسئلة لم يفكر فيها الباحثون الأصليون مطلقًا.

عندما يتعلق الأمر بمشاركة البيانات ، فغالبًا ما تكون غير مكتملة أو غير متسقة أو متحيزة ، كما هو الحال مع مجموعات البيانات المستخدمة للتنبؤ بأوجه التقارب المرتبطة بالرابطات البروتينية التي تعتبر ضرورية لاكتشاف الأدوية. في بعض الحالات ، قد لا تعكس البيانات مجموعات سكانية بأكملها ، وقد تقصر نماذج الذكاء الاصطناعي في سيناريوهات العالم الحقيقي.

تعقيد

إن التعقيد الهائل للأنظمة البيولوجية يجعل التحليل المدعوم بالذكاء الاصطناعي والتنبؤ بالوقت والتغيرات المكانية في سلوك هذه الأنظمة أمرًا صعبًا.

هناك عدد كبير من التفاعلات المعقدة والديناميكية داخل الأنظمة البيولوجية حيث يمكن أن يكون لكل عنصر مثل البروتينات والجينات والخلايا وظائف متعددة وتتأثر بعوامل متعددة ، بما في ذلك الاختلافات الجينية والظروف البيئية والحالات المرضية.

يمكن أيضًا أن تكون التفاعلات بين العناصر المختلفة غير خطية ، مما يعني أن التغييرات الصغيرة في عنصر واحد يمكن أن تؤدي إلى تغييرات كبيرة في النظام ككل. على سبيل المثال ، يمكن أن يكون للجين الفردي الذي يتحكم في انقسام الخلية تأثير كبير على نمو الورم ، أو يمكن أن تؤدي التفاعلات بين البروتينات المتعددة إلى تطوير بنى شديدة التحديد ومعقدة ، مثل الهيكل الخلوي للخلية.

التحدي الآخر هو نقص الموظفين المؤهلين للتعامل مع أدوات اكتشاف الأدوية بالذكاء الاصطناعي.

التفسير

لقد دفع استخدام الشبكات العصبية في اكتشاف العقاقير بالذكاء الاصطناعي حدود ما هو ممكن ، لكن الافتقار إلى قابليتها للتفسير يشكل تحديًا كبيرًا. يُشار إلى مثل هذه النماذج بالذكاء الاصطناعي على أنها الصناديق السوداء ، وقد تنتج أكثر التنبؤات دقة ممكنة ، لكن حتى المهندسين لا يستطيعون شرح الأسباب الكامنة وراءها. هذا يمثل تحديًا خاصًا في التعلم العميق ، حيث يتصاعد تعقيد فهم ناتج كل طبقة مع نمو عدد الطبقات.

يمكن أن يؤدي هذا الافتقار إلى الشفافية إلى حلول معيبة وتقليل الثقة في الذكاء الاصطناعي بين الباحثين والمهنيين الطبيين والهيئات التنظيمية. لمواجهة هذا التحدي ، هناك حاجة متزايدة لتطوير ذكاء اصطناعي يمكن تفسيره وجدير بالثقة.

تغليف

تستمر الأدوية الجديدة التي غيرت اللعبة بالنسبة للمرضى في الظهور.

بعد 15 عامًا فقط من تحديد فيروس نقص المناعة البشرية باعتباره سببًا للإيدز في الثمانينيات ، طورت صناعة الأدوية علاجًا متعدد الأدوية يسمح للأشخاص المصابين بالفيروس بالعيش حياة طبيعية. يطيل جليفيك من نوفارتيس حياة مرضى اللوكيميا. ضاعف Incivek من Vertex Pharmaceuticals معدلات علاج التهاب الكبد C. يقلل Keytruda من Merck من خطر عودة السرطان إلى مرضى سرطان الجلد بعد الجراحة بنسبة 35٪.

لكن ليست كل الأدوية الجديدة متشابهة. أظهر تحليل حديث لأكثر من 200 دواء جديد تم إجراؤه في ألمانيا أن 25٪ فقط من الأدوية تقدم مزايا كبيرة مقارنة بالعلاجات الحالية. أسفرت الأدوية المتبقية عن فوائد ضئيلة أو معدومة ، أو كان تأثيرها غير مؤكد.

بالنظر إلى الطبيعة المكلفة والمستهلكة للوقت لاكتشاف الأدوية ، من الواضح أن صناعة الأدوية تحتاج إلى تغييرات كبيرة. وهذا هو المكان الذي يمكن أن يلعب فيه اكتشاف العقاقير بالذكاء الاصطناعي دورًا. هناك الكثير من الاحتمالات أن يقدم الذكاء الاصطناعي مساهمات تحويلية تتجاوز تسريع معدلات الوقت المستغرق في العيادة.

هل تفكر في مشروع اكتشاف العقاقير بالذكاء الاصطناعي الخاص بك؟ ترك لنا خطا. مع سنوات من الخبرة في إنشاء حلول الذكاء الاصطناعي للرعاية الصحية ، نحن الشريك الذي تحتاجه.

نُشر في الأصل على https://itrexgroup.com في 27 يناير 2023.