شیمی یکی از رشته های پرطرفدار حوزه علوم پایه است که در حقیقت پلی بین زیست شناسی، ریاضی و فیزیک برای خلق کاربردهاست. امروزه اهمیت پژوهش های بین رشته ای و فناوری های همگرا، شیمی را به مسیری محبوب برای ایجاد تکنولوژی های جدید، تبدیل کرده است.

توسعه یک داروی جدید به صورت سنتی، از ایده اولیه تا تبدیل شدن به داروی موجود در بازار، بین 12 تا 15 سال به طول می انجامد و هزینه این بالغ بر 1 میلیارد دلار دارد.  در سال های اخیر، با توسعه و پیشرفت ابزارهای علمی، تلاش های فراوانی برای کاهش زمان و هزینه تولید داروهای جدید و یا توسعه داروهای موجود، صورت گرفته و این تحقیقات همچنان ادامه دارد. هوش مصنوعی به عنوان ابزاری جدید، نقطه عطفی است که می توان گفت تاریخ علم را به قبل و بعد از آن تقسیم کرده که کاهش زمان و هزینه ها در کنار افزایش دقت و گسترش پژوهش ها را به ارمغان آورده است.

اگر گشتی در فضای مجازی بزنید عناوین جدیدی که به تازگی ترند شده، توجه شما را جلب می کند. که مختصر در زیر مشاهده می کنید:

• هوش مصنوعی متحول کننده صنعت دارو
• هوش مصنوعی داروساز شد!
• هوش مصنوعی، حلقه گمشده صنعت دارو
• آینده درمانی با هوش مصنوعی
• شخصی سازی داروها با هوش مصنوعی
• مسابقه طراحی دارو مبتنی بر هوش مصنوعی در اولین کنگره بین المللی هوش مصنوعی در علوم پزشکی
• بیزینس پلن طراحی دارو با هوش مصنوعی

ما در این مقاله به بررسی ارتباط شیمی و فناوری های نوین با تمرکز بر هوش مصنوعی و طراحی دارو، پرداخته می شود. در این زمینه کتاب ها و مقالات علمی فراوانی به چاپ رسیده و همچنین موسسات مختلفی به آموزش این حوزه میان رشته ای پرداخته اند که در ادامه بهترین آنها معرفی می شوند.

فرایند کشف و طراحی دارو

ساخت داروها یک فرآیند پیچیده است که نیاز به تحقیقات طولانی مدت، آزمایشات متعدد، و تجزیه و تحلیل داده‌های حجیم دارد. هوش مصنوعی به عنوان یک ابزار قدرتمند در این فرآیند وارد می‌شود و می‌تواند مراحل ساخت دارو را بهبود بخشد. در زیر، مراحل ساخت دارو شرح داده شده‌اند:

1)انتخاب هدف:

این فرایند زمانی آغاز می شود که برای یک بیماری محصول مناسبی وجود نداشته باشد و باید به جستوجو در میاد فضای بسیار گسترده ترکیبات شیمیایی حدود 10 به توان 60 بپردازیم. تحقیقات اولیه اغلب در دانشگاه شروع شده با این فرض که مهار یا فعال کردن (تغییر در فعالیت) یک پروتئین یا گیرنده، باعث ایجاد اثر درمانی در بیمار می شود. که خروجی آن انتخاب گیرنده است.

2)یافتن ترکیب کاندید (طراحی ملکول):

در این مرحله، محققان با استفاده از اطلاعات شیمیایی و داده‌های موجود در دسترس، ملکول‌هایی را طراحی می‌کنند که قابلیت تعامل با هدف مورد نظر را دارند. این ملکول‌ها باید دارای خواص مورد نظر برای درمان بیماری باشند و در عین حال سازگاری بالایی با سیستم بیولوژیکی انسان داشته باشند.

3)آزمایشات اولیه:

پس از طراحی ملکول‌ها، باید ترکیبات منتخب سنتز شوند. این مرحله شامل تهیه مواد اولیه، انجام واکنش‌های شیمیایی مورد نیاز و خالص سازی ملکول‌ها جهت استفاده در مرحله بعدی است. و سپس آزمایشات فعالیت دارویی انجام شوند. ملکول‌های سنتز شده برای آزمایش فعالیت دارویی به آزمایشگاه می‌روند. در اینجا، تأثیر ملکول‌ها بر روی هدف مورد نظر بررسی می‌شود. این آزمایشات می‌توانند شامل آزمایش‌های in vitro (درون بدن) و in vivo (درون حیوانات) باشند.

4)بهینه سازی ملکول:

اگر ملکول‌ها اثربخشی مناسبی را نشان دهند، آنها به مرحله بهینه‌سازی می‌روند. در این مرحله، محققان تغییراتی در ساختار ملکول‌ها ایجاد می‌کنند تا خواص و فعالیت آنها را بهبود بخشند.

5)مطالعات کلینیکی (بالینی):

در صورت موفقیت تکمیل مراحل قبلی، ملکول‌های بهینه‌شده برای آزمایشات کلینیکی انتخاب می‌شوند. این آزمایشات شامل مطالعات در انسان‌ها می‌شود که هدف آن تأیید ایمنی، تحمل، دوز مناسب و اثربخشی ملکول در درمان بیماری است.

6)تائید:

در صورت موفقیت در مطالعات کلینیکی، ملکول به صورت رسمی تأیید و ثبت می‌شود و به عنوان یک دارو در دسترس در داروخانه ها قرار می‌گیرد.

هر یک از این مراحل نیازمند زمان، هزینه و تلاش بسیاری هستند و طراحی دارو به طور کلی یک فرایند پیچیده و چالش‌برانگیز است. استفاده از هوش مصنوعی و تکنیک‌های محاسباتی در فرایند کشف دارو، می‌تواند تسریع و بهبود آن را ممکن سازد و به کشف داروهای نوآورانه و مؤثر کمک کند.

طراحی دارو به کمک کامپیوتر

در 40 سال اخیر با شروع پروژه نقشه برداری از ژنوم انسان، و همزمان تولد یادگیری ماشین و ایده هوش مصنوعی، تلاش های بسیاری هم در حوزه علمی و هم صنعتی برای کاربرد کامپیوتر در هر مرحله از کشف و توسعه دارو، صورت گرفت که تاکنون توانسته منابع ارزشمندی را ایجاد کند.

به طور کلی این حوزه به دو دسته طراحی دارو براساس ساختار و براساس لیگاند تقسیم می شود. در طراحی دارو برپایه ساختار، ساختار سه بعدی گیرنده (هدف) در دسترس است و برهمکنش یا تمایل دارو (لیگاند یا ترکیب)، معیار طراحی است. در طراحی دارو برپایه لیگاند، ساختار سه بعدی پروتئین در دسترس نبوده و طراحی براساس ویژگی های ترکیباتی است که فعالیت آنها ثابت شده است.

برخی از روش های بسیار پرکاربرد در این حوزه شامل: مدل سازی فارماکوفور، رابطه کمی ساختار-فعالیت (QSAR) غربالگری مجازی(virtual screening)، مدل سازی همسانی و طراحی دی نوو هستند. در مقالات بعدی به بررسی هرکدام از آنها می پردازیم.

هوش مصنوعی ابزارها و کاربردها

هوش مصنوعی شبیه سازی از هوش انسانی با دارا بودن حجم اطلاعات بسیار بالایی به وسعت تمام فضای وب است که شامل چندین حوزه روش شامل: استدلال، ارائه دانش، جستوجوی راه حل و یادگیری ماشین است.

ابزارهای هوش مصنوعی

یادگیری ماشین: از الگوریتم‌های یادگیری ماشین مانند شبکه‌های عصبی و درخت تصمیم می‌توان برای پیش‌بینی خواص دارویی استفاده کرد. با آموزش این الگوریتم‌ها با استفاده از داده‌های موجود در مورد ساختار ملکولی و خواص داروها، می‌توانند ملکول‌های جدید را پیش‌بینی کنند.

الگوریتم‌های تکاملی: از الگوریتم‌های تکاملی مانند الگوریتم ژنتیک و الگوریتم تکاملی جهشی می‌توان برای بهینه‌سازی ملکول‌ها و ترکیبات دارویی استفاده کرد. این الگوریتم‌ها می‌توانند به صورت خودکار ملکول‌ها را ترکیب کنند و به دنبال حلقه‌های بهینه برای ساخت دارو باشند.

گستردگی مطالب این حوزه بسیار زیاد است و در مقاله بعدی به طور مفصل به آن پرداخته می شود.

کاربرد در صنعت داروسازی

• توسعه یک محصول از ایده اولیه تا بالین بیمار
• کمک به طراحی منطقی دارو
• پیش بینی خواص دارویی و بهبود فرایندها
• کمک به تصمیم گیری های پزشکی در تعیین داروی مصرفی و دوز آن
• شخصی سازی دارو ها
• مدیریت داده های بالینی و استفاده برای توسعه داروها در آینده
• پیش بینی بازارها و تجارت داروها

مشاغل جدید طراحی دارو

• محقق بیوانفورماتیک
• محقق هوش مصنوعی
• توسعه دهنده نرم افزارهای داروسازی
• مهندس داده و امنیت سیستم های داروسازی
• مشاور طراحی دارو
• متخصص آزمایشگاه های کامپیوتری طراحی دارو

مهارت های مهم متخصصین طراحی دارو با هوش مصنوعی

متخصصین طراحی دارو با هوش مصنوعی نیاز به ترکیبی از مهارت‌های تخصصی در زمینه‌های شیمی، علوم کامپیوتر، و بیوتکنولوژی دارند. در زیر، مهارت‌های اصلی برای این حوزه آورده شده است:

• شناخت علوم شیمی
• تخصص در هوش مصنوعی و یادگیری ماشین
• آشنایی با الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی
• مهارت در استفاده از ابزارهای مدل‌سازی ملکولی
•  استفاده از نرم‌افزارهای شبیه سازی ملکولی
• توانایی در تحلیل داده‌های بیولوژیکی
• تفسیر داده‌های بیولوژیکی
• آشنایی با تکنولوژی بیوتکنولوژی: شناخت فناوری‌های بیوتکنولوژی
• مهارت‌های برنامه‌نویسی
•  توانایی در ارتباطات تیمی
• آگاهی از قوانین و استانداردها
• حل مسائل و تفکر تحلیلی

استارتاپ های موفق طراحی دارو

Recursion یک استارتاپ آمریکایی است که در سال 2013 ایجاد شد. ریکرشن یا استفاده از الگوریتم های یادگیری ماشین، داده های ژنتیکی افراد و همچنین داده های پزشکی به طراحی داروهای جدید به خصوص برای بیماری های نادر پرداخته و با دارا بودن آزمایشگاه های زیستی و دارویی، تست های اولیه را انجام می دهد. این استارتاپ با شرکت‌های داروسازی سانوفی و بایر همکاری داشته و تاکنون ۱۱ پروژه‌ی دارویی را به انجان رسانده. از این ۱۱ پروژه برای ساخت دارو، ۳ دارو در مرحله مطالعه بالینی فاز اول قرار دارند. این ۳ دارو برای درمان بیماری‌های نوروفیبروماتوز نوع ۲، گانگلیوزیدوز GM2 و Familial Adenomatous Polyposis است.

Insilico Medicine یک شرکت آمریکایی است که در تحقیقات جهت کشف داروهای جدید از هوش مصنوعی بهره می‌برد. این شرکت از الگوریتم‌هایی همچون GANs و Reinforcement Learning استفاده می‌کند تا مواد شیمیایی جدیدی را کشف کند که ممکن است به عنوان داروهای نوین مؤثر باشند.

Atomwise یک شرکت است که از هوش مصنوعی به منظور کشف داروهای جدید بهره می‌برد. این شرکت از شبکه‌های عصبی چند لایه و روش‌های پیشرفته یادگیری ماشین استفاده می‌کند تا ترکیب‌های شیمیایی نوینی را شناسایی کند که ممکن است به عنوان داروهای جدید واکنش داشته باشند.

BenevolentAI یک شرکت بریتانیایی است که در جستجوی کشف داروهای نوین با بهره‌گیری از هوش مصنوعی مشغول به فعالیت است. این شرکت از روش‌هایی نظیر شبکه‌های عصبی چند لایه و الگوریتم‌های یادگیری ماشین استفاده می‌کند تا به ترکیب‌های شیمیایی جدیدی برسد که ممکن است به عنوان داروهای نوین شناخته شوند.

منابع مهم یادگیری مهارت ها

• دوره های آموزشی طراحی دارو
• کتاب ها و مقالات
• کارگاه ها و دورهمی های این حوزه
• شرکت در وبینارها و کنفرانس ها

لپ مطلب

ما در این مقاله به بررسی رابطه شیمی و فناوری با تمرکز بر طراحی دارو با استفاده از ابزارهای هوش مصنوعی پرداختیم. در این راستا، برخی از ترندهای روز و استارتاپ های موفق معرفی شدند که ازجمله آن ها می توان به شخصی سازی داروها اشاره کرد. فرایند کشف دارو با کمک کامپیوتر و الگوریتم های هوش مصنوعی مرحله به مرحله توضیح داده شد و همچنین مشاغل جدید و مهارت های مورد نیاز این حوزه در آینده نیز معرفی شدند.

پرسش های متداول

چالش های هوش مصنوعی در صنعت چیست؟

صنعت داروسازی یکی از حوزه‌هایی است که می‌تواند از پیشرفت‌های هوش مصنوعی به طور مستمر بهره‌مند شود. با این حال، در مسیر ادغام هوش مصنوعی در صنعت داروسازی، چندین چالش مطرح است:

• داده های محدود و پیچیده، به دلیل ماهیت حساس و پیچیده فرایند توسعه داروها
• دشواری ساخت مدل پیش بینی کننده دقیق و صحیح برای ویژگی های دارویی
• مدیریت پروژه های طراحی دارو
• تفسیر و تحلیل نتایج حاصل از مدل ها
• حفاظت از اطلاعات حساس
• و حرکت هم راستا با فناوری

آیا هوش مصنوعی جایگزین داروسازی است؟

دیدگاه های متفاوتی در این زمینه وجود دارد ولی باید به این نکته توجه داشت که متخصصین حوزه دارو باید بتوانند مهارت های خوبی جهت استفاده از هوش مصنوعی برای استفاده در فعالیت های علمی خود، آموزش ببینند. آینده از آن کسانی است که بتوانند با فناوری های جدید همراه شوند و از آنها استفاده کنند.

چه تحولاتی با هوش مصنوعی در صنعت داروسازی ایجاد شده؟

• رویکردهای جدید برای طراحی منطقی دارو
• تسریع در فرایند و کاهش هزینه های کشف دارو
• ترکیب داده های متنوع با در دسترس داشتن حجم گسترده داده ها
• افزایش دقت و صحت در توسعه داروها

بیوانفورماتیک چیست؟

بیوانفورماتیک یک زمینه میان رشته ای در شیمی و بیولوژی ملکولی است که از روش‌ها و ابزارهای محاسباتی، آماری، و اطلاعاتی برای تجزیه و تحلیل داده‌های بیولوژیک استفاده می‌کند. این حوزه به تجزیه و تحلیل داده‌های مربوط به ساختارها و عملکردهای بیولوژیکی، مانند توالی ژن‌ها، ساختار پروتئین‌ها، مسیرهای متابولیک، و داده‌های دیگر از آزمایش‌ها و تجربیات بیولوژیکی می‌پردازد. در واقع، بیوانفورماتیک یک ترکیب از دو واژه “بیولوژی” و “اطلاعات” (informatics) است و برآمده از نیاز به مدیریت و تحلیل داده‌های حجیم و پیچیده مرتبط با زیست‌شناسی است. این زمینه در ایجاد مدل‌های پیش‌بینی، تحلیل توالی ژنتیک، تعیین ساختار سه بعدی پروتئین‌ها، و تحلیل داده‌های بزرگ زیست‌اطلاعاتی (bioinformatics) نقش اساسی دارد. برخی از کاربردهای بیوانفورماتیک شامل پیدا کردن ژن‌های مرتبط با بیماری‌ها، طراحی داروها، تحلیل توالی‌های ژنومیک، و بررسی تغییرات متابولیکی در بیماری‌ها می‌شوند. این حوزه به دلیل پیچیدگی بیولوژی و حجم زیاد داده‌های تولید شده در زمینه‌های مختلف بیولوژی، بهبود دقت و سرعت تحلیل داده‌ها را فراهم می‌کند.