کشف یک داروی تازه در قبل بیشتر از یک دهه پژوهش و میلیاردها پوند اندوخته‌گذاری نیاز داشت. تعداد بسیاری از گزینه‌های دارویی در این مسیر ناکامی می‌خورند، به‌طوری که صنعت داروسازی تنها سالانه نزدیک به ۵۰ تا ۶۰ میلیارد دلار برای آزمایش‌های ناموفق داروهای سرطان هزینه می‌کند. با این حال، الگوریتم‌های هوش مصنوعی می‌توانند زمان ملزوم برای شناسایی یک «ترکیب پیشرو» را به چند هفته و حتی چند روز افت دهند.

میکله وندروسکولو، استاد بیوفیزیک دانشگاه کمبریج، می‌گوید: اولین قدم در کشف دارو شناسایی یک ترکیب موفق یا پیشرو است و این مرحله اکنون به‌طور کامل توسط هوش مصنوعی تسهیل شده است.  

به‌طور سنتی، کشف دارو با غربالگری «پُرظرفیت» یا در حجم بالا هزاران ترکیب شیمیایی اغاز می‌شود تا اشکار شود کدام‌ یک به پروتئین مقصد متصل می‌شود؛ فرایندی که می‌تواند تا دو سال طول بکشد. هوش مصنوعی می‌تواند این روال را به‌طور چشمگیری تسریع کند. بانک‌های اطلاعاتی شیمیایی حاوی داده‌های صدها هزار مولکول‌اند؛ از ساختار شیمیایی گرفته تا ویژگی‌های فیزیکی آن‌ها. بر پایه این اطلاعات، مدل‌های هوش مصنوعی می‌توانند با تحلیل سریع حجم عظیمی از داده‌ها پیش‌بینی کنند که یک مولکول چطور به پروتئین مقصد متصل می‌شود و میلیون‌ها گزینه بالقوه می‌توانند بازدید شوند و پژوهشگران می‌توانند روی امیدبخش‌ترین موارد تمرکز کنند.

وندروسکولو توضیح می‌دهد: ما اکنون دهه‌ها داده از مطالعات بلورنگاری پرتو ایکس و ریزطیف‌سنجی داریم. ساختار صدها هزار پروتئین را می‌شناسیم. هوش مصنوعی در یادگیری از این حجم عظیم داده ساختاری زیاد توانمند است.

توان غربالگری بالاتر

به حرف های وندروسکولو، هوش مصنوعی اکنون به اندازه راه حلهای آزمایشگاهی در پیش‌بینی ساختار پروتئین‌ها و نحوه تعامل مولکول‌های کوچک با آن‌ها دقیق است. اما این نوشته فقط درمورد پروتئین‌هایی صدق می‌کند که تا خواهد شد و ساختار سه‌بعدی پایدار با حفره‌های اتصال دارند.

او می‌گوید: تعریف کلاسیک پروتئین‌ها این است که تا خواهد شد و سپس کارکرد دارند. اما نزدیک به یک‌ سوم پروتئین‌های انسانی این کار را نمی‌کنند. این پروتئین‌های «بی‌نظم از نظر ذاتی» شکل ثابتی ندارند، به این علت ساختارشان با راه حلهای معمول قابل تعیین نیست. تعداد بسیاری از آن‌ها در بیماری‌هایی همانند آلزایمر و پارکینسون نقش دارند و تا همین اواخر ساخت دارو برای آنها ناممکن برداشت می‌شد.

وندروسکولو و گروهش با پشتیبانی هوش مصنوعی روش جدیدی برای اتصال کشف کردند که در آن مولکول‌های کوچک نیازی به حفره اتصال ندارند. آن‌ها روی پروتئین آمیلوئید بتا، مرتبط با آلزایمر، تمرکز کردند. توده‌های این پروتئین پلاک‌هایی را راه اندازی خواهند داد که اطراف نورون‌ها جمع خواهد شد و آن‌ها را از بین می‌برند.

در یک پژوهش، محققان با پشتیبانی هوش مصنوعی میلیون‌ها مولکول را غربال کردند و پنج ترکیب را شناسایی کردند. این ترکیبات به جای اتصال به یک حفره، حوالی پروتئین «می‌رقصیدند» و سپس به آن متصل می‌شدند و مانع از تجمع آن می‌شدند.

جست‌وجوی ضدمیکروبی

توانایی هوش مصنوعی در پیش‌بینی اتصال مولکول‌ها به پروتئین‌ها در گسترش آنتی‌بیوتیک‌های تازه نیز به کار گرفته شده است. تعداد بسیاری از آنتی‌بیوتیک‌های جاری بیشتر از ۵۰ سال پیش کشف شده‌اند و مقاومت باکتریایی، گسترش آن‌ها را دشوار کرده است.

سزار د لا فوئنته از دانشگاه پنسیلوانیا بیشتر از یک دهه است که با هوش مصنوعی، پایگاه‌های ژنتیکی را برای یافتن مولکول‌های ضدمیکروبی جست‌وجو می‌کند. او حتی دی‌ان‌ای نئاندرتال‌ها و گونه‌های منقرض‌شده را بازدید کرده و پپتیدی به نام نئاندرتالین-۱ یافته که در موش‌ها مؤثر بوده است.

در ادامه، پژوهشگران از دل گونه‌های باستانی هزاران ترکیب امیدوارکننده آنتی‌بیوتیکی یافتند که درصد قابل‌توجهی از آن‌ها در آزمایش‌ها توان مقابله با باکتری‌های بیماری‌زا را نشان دادند 

مرحله های بعدی کشف دارو

کشف ترکیب اولیه تنها بخشی از مسیر است.

به حرف های وندروسکولو، زیاد تر داروها در مرحله کشف اولیه ناکامی نمی‌خورند. مشکل مهم در سمیت، اثربخشی و تعیین دوز مناسب برای انسان است.

برخی شرکت‌ها اعتقاد دارند هوش مصنوعی می‌تواند این قسمت‌ها را هم بهبود بخشد. شرکت داروسازی لنترن فارما (Lantern Pharma) با منفعت گیری از هوش مصنوعی نشان داد دارویی که در قبل ناکامی خورده می بود، در گروه خاصی از بیماران (غیرسیگاری‌ها) زیاد مؤثر عمل می‌کند.

هوش مصنوعی نشان داد تومورهای ریه در غیرسیگاری‌ها از نظر ژنتیکی کاملا با سیگاری‌ها متفاوت است و دارو می‌تواند گیرنده‌های خاصی را مقصد قرار دهد که در این بیماران بیش‌ازحد گفتن خواهد شد.

مدیرعامل این شرکت معتقد است هوش مصنوعی می‌تواند زمان تعیین جایگاه بالینی دارو را تا ۷۵ درصد افت دهد، سمیت را پیش‌بینی کند، عبور از سد خونی-مغزی را تخمین بزند و حتی کارآزمایی‌های بالینی را هدفمندتر کند.

تردیدها هم چنان باقی است

با وجود این، برخی دانشمندان در منفعت گیری از هوش مصنوعی تردید دارند. با این که از میانه دهه ۲۰۱۰ شرکت‌ها از هوش مصنوعی منفعت گیری می‌کنند، تا این مدت هیچ داروی کاملا مبتنی بر هوش مصنوعی مرحله سوم کارآزمایی را با پیروزی طی نکرده است.

وندروسکولو می‌گوید: هنگامی که داده‌ها زیاد باشند، هوش مصنوعی عالی عمل می‌کند، اما هنگامی داده‌ها کم باشد، چندان سودمند نخواهد می بود.

او پیش‌بینی سمیت دارو در انسان را از جمله مثالهایی می‌داند که هوش مصنوعی پیشرفت چندانی در آن نداشته است و در این مورد می‌گوید: یک ترکیب می‌تواند به میلیون‌ها روش گوناگون سمی باشد. اینجاست که هیاهوی هوش مصنوعی با حقیقت مواجه می‌شود. باید بدانیم هوش مصنوعی دقیقا کدام مشکلات را می‌تواند حل کند و از بعد کدام یک بر نخواهد آمد.  

هوش مصنوعی تصویری امیدبخش از آینده پزشکی ترسیم می‌کند؛ آینده‌ای که در آن می‌تواند سال‌ها جست‌وجوی فرساینده برای یافتن یک داروی مؤثر را به چند هفته یا حتی چند روز افت دهد. جایی که پیش‌تر دانشمندان باید در بین هزاران ترکیب شیمیایی گمان و گمان‌های خود را به کار می‌گرفتند، اکنون الگوریتم‌ها با سرعتی باورنکردنی امیدوارکننده‌ترین گزینه‌ها را پیش چشم آن‌ها می‌گذارند.

هوش مصنوعی نه ‌تنها در باز کردن قفل رازهای پروتئین‌هایی که وقتی دارو ساختن برای آنها ناممکن فکر می‌شد نقش داشته، بلکه حتی از دل ژنوم موجودات منقرض‌شده و مولکول‌هایی که هیچ زمان در طبیعت وجود نداشته‌اند، سرنخ‌هایی برای ساخت آنتی‌بیوتیک‌های تازه بیرون کشیده است.  با این حال، مسیر تبدیل یک کشف آزمایشگاهی به دارویی که جان انسان‌ها را نجات دهد، هم چنان طویل و پر از عدم‌قطعیت است. سمیت دارو، دوز مناسب و پیروزی در آزمایش‌های بالینی، چالش‌هایی می باشند که تا این مدت به‌طور کامل در اختیار هوش مصنوعی قرار نگرفته‌اند.

در نهایت، هوش مصنوعی قرار نیست جای دانشمندان را بگیرد، بلکه قرار است چراغی در دست آن‌ها باشد؛ چراغی که مسیر تاریک و پرپیچ‌وخم کشف دارو را روشن‌تر کند، شدت آن را افزایش دهد و از هزینه‌های آن بکاهد. امیدی تازه برای روزی که یافتن درمان بیماری‌ها دیگر به سال‌ها انتظار و میلیاردها دلار هزینه وابسته نباشد.