کشف دارو با استفاده از هوش مصنوعی
کشف دارو فعالیتی پرهزینه و پرخطر است که تحت فشار روزافزون بازاری قرار دارد که در آن «مزیت پیشگامی» (first-mover advantage) حرف اول را میزند. از دهه ۱۹۵۰ میلادی، هزینه توسعه داروهای جدید تقریباً هر ۹ سال دو برابر شده است؛ پدیدهای که با نام قانون ایروم (Eroom’s Law) شناخته میشود. امروزه، عرضه یک داروی جدید به بازار به طور متوسط بین ۱۰ تا ۱۵ سال زمان برده و بین ۱ تا ۲.۵ میلیارد دلار هزینه در بر دارد، در حالی که نرخ شکست پروژهها بیش از ۹۰ درصد است.
هوش مصنوعی (AI) به بزرگترین شرطبندی صنعت داروسازی برای افزایش نرخ موفقیت و کاهش زمان توسعه تبدیل شده است. هرچه شرکتهای دارویی بتوانند ترکیبات شیمیایی جدید را سریعتر شناسایی، آزمایش و بهینه کنند، ریسک شکستهای پرهزینه در مراحل بعدی توسعه کاهش مییابد.
پل بلچر (Paul Belcher)، مدیر استراتژی تحقیقات پروتئین در شرکت جهانی علوم زیستی سایتیوا (Cytiva) میگوید: «بزرگترین هزینه در کشف دارو همچنان مرحله بالینی است، بنابراین کاهش ریسک و افزایش نرخ موفقیت در این مرحله بسیار سودمند است. هوش مصنوعی راهکاری است که شرکتهای دارویی امیدوارند نهتنها باعث صرفهجویی در زمان شود، بلکه به نامزدهای دارویی با کیفیتتر اجازه دهد به مرحله کلینیکی برسند.» استفاده اولیه از هوش مصنوعی در کشف دارو پتانسیلهای بالایی را نشان داده، اما نیاز به دادههای دقیق و معتبر و همچنین یکپارچهسازی در سیستمهای آزمایشگاهی را نیز برجسته کرده است.
بهرهوری هوش مصنوعی در آزمایشگاه
یکی از امیدوارکنندهترین کاربردهای اولیه هوش مصنوعی در کشف دارو، «شناسایی ترکیبات اصلی» (hit identification) است. این فرآیند شامل غربالگری کتابخانههای مولکولی در برابر اهداف مرتبط با بیماری (مانند یک پروتئین) برای یافتن مولکولهایی است که به آن متصل میشوند. یک موفقیت اولیه، نقطه شروعی برای آزمایشها و اصلاحات بعدی به منظور توسعه یک داروی کارآمد فراهم میکند.
بلچر شاهد گذار از غربالگری تجربی به طراحی پیشبینانه بوده است: به جای غربالگری فیزیکی کتابخانهها، شرکتهای دارویی اکنون از هوش مصنوعی برای طراحی نامزدهای دارویی از صفر و پیشبینی چگونگی تعامل آنها با اهداف بیماری قبل از صرف هزینه در تحقیق و توسعه (R&D) استفاده میکنند. این یعنی شرکتها دیگر محدود به توانایی فیزیکی در غربالگری نیستند. بلچر میافزاید: «هوش مصنوعی این محدودیت را از بین میبرد و میتواند به حذف نامزدهای بیکیفیت قبل از آزمایش فیزیکی کمک کند که نتیجه آن صرفهجویی در زمان و منابع است.»
بلچر میگوید آنچه هوش مصنوعی هنوز نمیتواند بهطور قابلاطمینان انجام دهد، پیشبینی جنبششناسی یا قابلیت توسعه ترکیبات جدید است. این بدان معناست که هر نامزد تولیدشده توسط هوش مصنوعی همچنان باید در آزمایشگاه تایید شود. گردشکارهای سنتی برای شناسایی در مقیاس وسیع طراحی شده بودند، نه برای تحلیل تعداد زیادی از نامزدهای پیچیده. این موضوع فشار بیشتری بر تیمهای آزمایشگاهی وارد میکند که اکنون باید حجم رو به رشدی از ترکیبات متنوع تولیدشده توسط هوش مصنوعی را آزمایش، مشخصهیابی و خالصسازی کنند.
مدلها به دادههای کامل و باکیفیت نیاز دارند
همانطور که هوش مصنوعی تقاضا برای سیستمهای آزمایشگاهی دادهمحور را افزایش داده، نیاز اساسی به دادههای بهتر و کاملتر را نیز آشکار کرده است. بسیاری از مدلهای هوش مصنوعی اولیه بر اساس مجموعهدادههای عمومی آموزش دیدهاند و اکنون به آنچه بلچر «دیوار داده» مینامد، برخورد کردهاند. از آنجا که مدلها به دادههای مشابهی دسترسی دارند، همگی به نتایج مشابهی میرسند که منجر به بازده نزولی میشود. علاوه بر این، مجموعهدادهها با هدف هوش مصنوعی ساخته نشدهاند، یعنی فاقد ساختار، برچسبگذاری و تنوع لازم برای دقیق ماندن مدلها هستند.
سوگیری در انتشار (Publication bias) این مشکل را تشدید میکند. بلچر میگوید: «بیشتر مجموعهدادههای عمومی و انتشارات علمی صرفاً بر نتایج مثبت متمرکز هستند. هیچکس نمیخواهد شکستهایش را به اشتراک بگذارد. این سوگیری مانند این است که یک دستتان را پشت سرتان بسته باشند. مدلهای هوش مصنوعی میتوانند الگوهای موفقیت را شناسایی کنند، اما فاقد درک جامع از شکستها هستند که پیشبینیها را قابلاعتمادتر میکند.» به عقیده او، دادههای شکستخورده همان چیزی است که مدلها را بهبود میبخشد، اما دستیابی به آنها دشوار است.
بلچر اشاره میکند: «در تمام کاربردهای یادگیری ماشین، عملکرد مدل به شدت به کیفیت و دامنه دادههای آموزشی وابسته است.» جعل داده نیز با هوش مصنوعی آسانتر شده است. برای نمونه، الیزابت بیک (Elisabeth Bik)، میکروبیولوژیست هلندی، دریافته بود که حدود ۴ درصد مقالات زیستپزشکی دارای تصاویر دستکاریشده هستند؛ این آمار مربوط به سال ۲۰۱۶ است، یعنی زمانی که هوش مصنوعی مولد هنوز به این سطح از قدرت نرسیده بود. اکنون ابزارهایی مانند Image Integrity Checker شرکت سایتیوا (Cytiva) با استفاده از الگوریتمهای هش (مشابه فناوری بلاکچین)، برای تشخیص دستکاری تصاویر علمی به کار میروند.
آزمایشگاههای خودمختار و جهشهای علمی
بلچر آینده کشف دارو را در آزمایشگاههای کاملاً خودمختاری میبیند که با حداقل مداخله انسانی فعالیت میکنند. این آزمایشگاههای هوشمند (Dark labs) بهصورت شبانهروزی فعالیت کرده و چرخههای پیشبینی، آزمایش و بهینهسازی را انجام میدهند. با این حال، خودکارسازی آزمایشگاه به یکپارچهسازی و داشتن دادههای استاندارد FAIR (قابل یافتن، قابل دسترس، قابل تعامل و قابل استفاده مجدد) وابسته است.
بلچر در پایان میگوید: «هدف ما کمک به دانشمندان برای تسریع در جهشهای علمی و واقعی کردن آزمایشگاههای خودمختار است. ما میخواهیم به آنها کمک کنیم تا دادههای قابل اعتماد تولید کنند و با اطمینان بیشتر، درمانهایی را خلق کنند که زندگی بشر را تغییر میدهد.» اگرچه هنوز دارویی که عمدتاً توسط هوش مصنوعی طراحی شده باشد، تایید کامل FDA را دریافت نکرده، اما بلچر انتظار دارد این وضعیت در دو تا سه سال آینده تغییر کند.