به گزارش نیوزتل هوش مصنوعی، فناوری شناخته شده و کارآمدی است که می تواند حوزه کشف دارو را از پایه متحول کند.
به گزارش نیوزتل به نقل از ایسنا و به نقل از نانومگزین، احتیاج به واکسن ها و داروهای ضد ویروسی برای مقابله با همه گیری کووید-۱۹، تمرکز بر محدودیت های درمان و سرعت کشف و توسعه داروهای جدید برای هر نوع بیماری را تجدید کرده است.
این تمرکز با تلاشهای صورت گرفته در حوزه هوش مصنوعی همراه شده است تا روند توسعه دارو بهبود یابد. “آلفابت”(Alphabet) که شرکت مادر گوگل است، شرکتی معروف به “آیزوفورمیک لبز”(Isomorphic Labs) را تاسیس کرده تا یادگیری عمیق را در کشف دارو به کار بگیرد. استفاده از هوش مصنوعی برای حل کردن چالش های کشف دارو مانند سایر صنایع، توجه شرکت ها، سرمایه گذاران و عموم مردم را به خود جلب کرده است.
این گزارش نحوه دگرگونی کشف دارو و نانوپزشکی را بررسی می کند.

چالش های کشف دارو
کشف دارو، با مشکل یافتن مولکول های جدیدی همراه می باشد که به پروتئین های بیماری زای موجود در بدن ما متصل می شوند؛ خواه پروتئین های خود بدن باشند، خواه مهاجمان ویروسی یا باکتریایی. طراحی این مولکول های دارویی جدید، یک چالش علمی و فناوری در مقیاس نانو است. به بازار رسیدن یک داروی معمولی با مولکول کوچکی که میتوان آنرا بعنوان قرص تجویز کرد، ۱۰ تا ۱۲ سال زمان می برد و توسعه آن میلیاردها دلار هزینه دارد. احتمال موفقیت هر برنامه هم برپایه منطقه درمانی، متغیر است. این یک رقابت با خطرپذیری بالا است و به نسبت هر موفقیت، ده ها شکست وجود دارد.
بازدهی سرمایه حالا درحال کاهش یافتن است و انتظار می رود که بیشتر از این هم کاهش پیدا کند. شرکتهای دارویی، این ناکارآمدی فزاینده را با افزایش قیمت دارو و صدور مجوز برای داروهای امیدوارکننده شرکتهای کوچک تر در مراحل ابتدایی توسعه جبران می کنند. افزایش تاییدیه های “سازمان غذا و دارو”(FDA) برای داروهای معروف به “me-too”، کمک چندانی به بهبود درمان بیماری های متعدد نمی نماید. اگر صنعتی برای تحول آماده باشد، داروسازی است.
شناسایی گزینه های دارویی بالقوه برای چندین دهه، یک روش آزمون و خطای خودکار و مبتنی بر علم رباتیک بوده است که “غربالگری با توان بالا”(HTS) نامیده می شود. غربالگری با توان بالا، به واسطه تشخیص سیگنال در رابطه با فعالیت اتصال، یک پروتئین عامل بیماری را در مقابل ترکیبات ذخیره شده دارو آزمایش می کند. ترکیباتی که سیگنال های قوی را نشان می دهند، بیشتر مشخص می شوند و از نظر شیمیایی اصلاح می گردند تا در بررسی حیوانی نشان دهند که سیگنال های قوی به اندازه کافی ایمن و مؤثر هستند و آزمایش های بالینی انسانی را تضمین کنند.
ترکیبات ذخیره شده کنونی، به اندازه یک قطره آب در اقیانوس گسترده ترکیبات دارویی بالقوه هستند. تا وقتی که راهی برای هدایت سریع آن پیدا نشود، کل فرایند کشف دارو زمان بر، پرهزینه و نامنظم باقی می ماند و شانس موفقیت آن بسیار پایین خواهد بود. آنچه مورد نیاز است، داروهای جدیدی هستند که به صورت سیستماتیک طراحی شده اند تا به پروتئین های مورد نظر متصل شوند.

سابقه طولانی جست و جو
هوش مصنوعی، آخرین مورد از چندین تلاش صورت گرفته برای ساده سازی کشف دارو در ۳۰ سال قبل است. حوزه شیمی ترکیبی در دهه ۱۹۹۰، به بلوغ رسید و وعده داد که به سرعت، مجموعه ای از ترکیباتی را عرضه نماید که از پیش به واسطه غربالگری با توان بالا برای آزمایش ساخته شده اند.
این وعده، توجه سرمایه گذاران و همینطور مقدار زیادی از پول آنها را به خود جلب کرد اما شیمی ترکیبی فقط تغییرات کوچکی در الگوهای شیمیایی موجود بوجود می آورد و اساسا به تولید مولکول های جدید نمی پردازد. این حوزه بعد از گام های ابتدایی در جهت گسترش مجموعه های ترکیبی گرفتار تزلزل شد؛ ازاین رو بیشتر شرکت هایی که از این روش استفاده می کردند، کنار رفتند.
“پیتر کروکز”(Peter Crooks)، مدیر بخش طراحی و کشف دارو در “انجمن دانشمندان دارویی آمریکا”(AAPS) اظهار داشت: وعده شیمی ترکیبی آن گونه که انتظار می رفت، توسعه نیافته است و ما شاهد افزایش قابل توجه توسعه داروهای جدید نبوده ایم.
شرکت دارویی “ورتکس”(Vertex) در همان دهه، یکی از اولین قهرمانان طراحی سیستماتیک دارو به وسیله کامپیوتر بود. هدف این شرکت، جایگزین کردن روش غربالگری با توان بالا با استفاده از ترکیباتی بود که با شبیه سازی کامپیوتری تعامل دارو و پروتئین و برپایه قوانین پایه ای فیزیک و شیمی، از پیش ساخته شده بودند. اگر بتوان مولکول ها را بدون تولید و فقط به واسطه شبیه سازی آزمایش کرد، میتوان تعداد بیشتری از گزینه های دارویی بالقوه را در زمان کمتر و با هزینه کمتری نسبت به روش غربالگری با توان بالا مورد بررسی قرار داد.
علم، فناوری و منابع کامپیوتری در آن زمان نمی توانستند با این نظریه مطابقت داشته باشند؛ ازاین رو ورتکس، روش های سنتی آزمون و خطای آزمایشگاهی را سفارشی سازی کرد و نام آنرا به “کموژنومیکس”(Chemogenomics) تغییر داد تا چند گزینه دارویی را به آزمایش های بالینی ببرد.
خیلی از شرکتهای همتای آن همچون “لوکاس فارماسیوتیکالز”(Locus Pharmaceuticals) و “فارمیکس”(Pharmix)، مجموعه دستگاههای خویش را تکامل بخشیدند و شرکتهای دیگری مانند “Verseon” طی دو دهه گذشته ظاهر شدند.

چالش های کشف دارو با کمک هوش مصنوعی
هم اکنون، تعداد کمی از شرکتهای فعال در حوزه هوش مصنوعی کوشش می کنند با استفاده از داده های دارویی در دسترس، کشف دارو را بهبود ببخشند. آنها نتایج کار خویش را منتشر نموده اند و به مطرح کردن سه مشکل اساسی پرداخته اند.
اولین مشکل این است که هوش مصنوعی در مرزهای شناخته شده داده گرفتار شده است. “آموری لنداس”(Amaury Lendasse)، پژوهشگر برجسته حوزه هوش مصنوعی و مدیر ارشد فناوری شرکت “ادامو”(Edammo Inc) اظهار داشت: روش های مبتنی بر هوش مصنوعی، از داده های شناخته شده یاد می گیرند و می توانند در دامنه ای که این داده های خاص را در بر دارد، به پیشبینی بپردازند. به عبارت دیگر، درون یابی می کنند. آنها نمی توانند در خارج از این حوزه، عملکرد خوبی داشته باشند و اغلب در برون یابی شکست می خورند.
دومین مشکل این است که استفاده از هوش مصنوعی در کشف دارو، به دو مجموعه متفاوت از داده ها برای پیشبینی خوب نیاز دارد. یکی از مجموعه ها، چاره هایی را در بر دارد که در شرایط مشابه کار می کنند و داده هایی را برای ترکیبات ساخته شده پیشین عرضه می دهند. دومین مجموعه که هوش مصنوعی را برای ارزیابی موثر شرایط جدید نیاز دارد، برای ترکیباتی به کار می رود که عملکرد درستی ندارند و به شکل معناداری در سوابق علوم زیستی وجود ندارند.
سومین مشکل این است که بیشتر نتایج پژوهش های حوزه علوم زیستی، تکرارناپذیر هستند و حتی از ۵۰ درصد فراتر می روند؛ بنابراین، مشکل هوش مصنوعی بدتر از شکست صرف در برون یابی است. اگر بیشتر داده های منتشرشده تکرارناپذیر باشند، همه پیشبینی های هوش مصنوعی برپایه چنین داده هایی، بسیار مشکوک هستند.
آیا میتوان اظهار داشت که سرمایه گذاران شرکتهای کشف دارو مبتنی بر هوش مصنوعی، گرفتار همان تبلیغاتی شده اند که شیمی ترکیبی و طراحی دارو به کمک کامپیوتر را احاطه کرده بود؟
شرکت “بنولنت ای آی”(BenevolentAI) در سالهای اخیر، بیشتر از ۳۴۵ میلیون دلار بودجه دریافت کرده است. این شرکت، فناوری های معروف به “مغز ماشینی علوم زیستی”(bioscience machine brain) و “نمودار دانش”(Knowledge Graph) خویش را که مقالات مجلات، داده های آزمایشگاهی، زیست شناسی شبکه، داده های برنامه دارویی، سوابق ثبت اختراع، و داده های بالینی را در بر دارد، به نمایش می گذارد اما هیچ جزئیات فنی عرضه نشده است و خیلی از پژوهشگران، نمودار دانش را رد می کنند.
“درک لو”(Derek Lowe)، شیمیدان برجسته، در مقاله علمی سال ۲۰۱۸ خود با عنوان “بنولنت ای آی: دو میلیارد می ارزد”(BenevolentAI: Worth Two Billion)، این روش های پیرامون کشف دارو را رسوا کرد. انتظارات خود لو از هوش مصنوعی، سنجیده تر است. وی به مطرح کردن این مورد پرداخت که هوش مصنوعی برای کاوش در آنچه که پیش تر یافته ایم، خیلی خوب خواهد بود اما اضافه کرد که ما در مورد سلول ها، موجودات و بیماری ها، اطلاعات کافی نداریم. هوش مصنوعی، مجموعه ای از داده های کافی برای تجزیه و تحلیل است.
یکی دیگر از شرکت هایی که روشی مبتنی بر هوش مصنوعی دارد، “اکسشیینشا”(Exscientia) است که به تازگی بیشتر از نیم میلیارد دلار بودجه جمع آوری کرد. این شرکت دارای چند گزینه دارویی است که به فاز یک آزمایش های بالینی وارد می شوند اما به نظر نمی رسد که این ترکیبات واقعا ماده شیمیایی جدیدی باشند. برای نمونه، گزارش ها نشان می دهند که چارچوب شیمیایی ورای آنتاگونیست ضد سرطان گیرنده A۲ این شرکت، سال ها پیش، همراه با چندین چارچوب بسیار مشابه توسط دیگران عرضه شده بود. به نظر می آید که این مورد در مورد سایر گزینه های دارویی این شرکت هم صدق می کند.
“کریگ کوبرن”(Craig Coburn)، رئیس بخش کشف داروی شرکت “تروتانا تراپیوتیکز”(Trotana Therapeutics)، اطلاعات انتشار یافته را در مورد داروهای شرکت اکسشیینشا که برای اختلال وسواس فکری-عملی، ایمونوانکولوژی و روان پریشی در رابطه با آلزایمر تجویز می شوند، ارزیابی کرد و نتیجه گرفت که هیچ کدام از این برنامه ها، بینش و طراحی بیشتری را نسبت به آنچه که یک شیمیدان با تجربه می تواند عرضه نماید، عرضه نمی کنند. پلت فرم اکسشیینشا را میتوان بعنوان روشی نیمه خودکار برای کار کردن در بخش مشخصی از فضای شیمی و برای جستجو در مواد شیمیایی ثبت شده، توصیف کرد.
بررسی مقالات ارسال شده در وب سایت اکسشیینشا، سرنخ هایی را هم در مورد اینکه آیا پیشرفت های اساسی صورت گرفته است یا خیر عرضه می دهد. یکی از مقالات برجسته، تحلیل تصویربرداری سلولی را برای شمارش سلول های سرطانی به دست آمده از نمونه برداری ها پوشش می دهد. اکسشیینشا این روش را “scFPM” می نامد. با این حال، بعضی از کارشناسان می گویند که این روش هیچ تفاوتی با “فلو سایتومتری”(Flow cytometry) معمولی ندارد و با تکنیک های ساده یادگیری ماشینی برای تجزیه و تحلیل مجموعه خروجی های استاندارد دنبال می شود.
بعد از اینکه یک زیرمجموعه دیگر آلفابت معروف به “دیپ مایند”(DeepMind)، در سال ۲۰۲۰ توانایی خویش را برای پیشبینی دقیق نحوه تاشدگی پروتئین ها اعلام کرد، شرکت آلفابت، آیزوفورمیک لبز را برای عرضه مجدد روند توسعه داروهای جدید با روش مبتنی بر هوش مصنوعی تاسیس کرد.
یادگیری عمیق، روشی مبتنی بر یادگیری ماشینی است که مرکز فناوری دیپ مایند بشمار می رود و از زمان توسعه اولین شبکه های عصبی، پیشرفت های قابل ملاحظه ای داشته است.
با این حال، برخی از قوانینی که به خوبی تعریف شده اند و مقادیر زیادی از داده های موجود یا قابل تولید، مشخصه این تنظیمات هستند و تاشدگی پروتئین، موضوعی است که خصوصیت های مشابهی دارد. قوانین تکاملی گوناگون، بر نحوه شکل گیری پروتئین ها برای مفید واقع شدن در یک محیط زیستی نظارت می کنند. حجم قابل توجهی از داده های تجربی هم در دهه های اخیر، در مورد ساختارهای پروتئینی و تغییرات ساختاری که پروتئین ها بعد از بروز تغییرات کوچک در توالی تشکیل دهنده آمینواسیدهای خود نشان می دهند، جمع آوری شده است. همه این اطلاعات، محیطی عالی را جهت استفاده از روش های یادگیری عمیق ایجاد می کنند.
در مقابل، کشف دارو یک محیط کاملا متفاوت می باشد. داده های موجود در مورد اتصال پروتئین و دارو، خیلی کم و اغلب غیرقابل اعتماد هستند. در مقایسه با تعداد زیادی از ترکیبات بالقوه دارویی، تعداد بی نهایت کمی از ترکیبات در این محیط ساخته شده اند. مشکل تکرارناپذیری که پیش تر مورد بحث قرار گرفت، بدین معناست که خیلی از داده های در ارتباط با این ترکیبات و بعضی از اثرات بیولوژیکی آنها غیرقابل اعتماد هستند. یک نکته دیگر این است که تغییرات کوچک صورت گرفته در مولکول های دارو می تواند تاثیر زیادی بر میل پیوند آنها به پروتئین مورد نظر و همینطور سایر خصوصیت های بیولوژیکی آنها داشته باشد. این تنظیم برای بیشتر روش های یادگیری ماشینی، بخصوص یادگیری عمیق، مناسب نمی باشد.
“گوانگ بین هوانگ”(Guang-Bin Huang)، استاد “دانشگاه صنعتی نانیانگ”(NTU) در سنگاپور اظهار داشت: یادگیری عمیق به رغم موفقیت های خود در عرصه های خاص، در خیلی از موقعیت ها چاره خوبی نیست. به ویژه، قابلیت های یادگیری و عملکرد پیشبینی آن برای مجموعه کوچک یا پراکنده ای از داده ها، کاملا محدود است.
با این حال، “دمیس حسابیس”(Demis Hassabis)، مدیر عامل اجرایی دیپ مایند و آیزوفورمیک لبز تصریح کرد که امکان دارد ساختار زیربنایی مشترکی میان زیست شناسی و علم اطلاعات وجود داشته باشد. درست همانگونه که ریاضیات، زبان توصیف مناسبی برای فیزیک است، امکان دارد که زیست شناسی، بهترین ساختار جهت استفاده از هوش مصنوعی باشد. اما این بیانیه می تواند به ایجاد شک و تردید اساسی از جانب کارشناسانی منجر شود که با چالش نامنظم کشف داروهای جدید آشنا هستند.
در واقع، ادعاهای جسورانه و شرایط بازاریابی جدید در مورد روش های قدیمی اصلاح شده نشان داده است که خیلی از شرکتهای فعال در حوزه اکتشاف دارو با محوریت هوش مصنوعی، روش های ورتکس و سایر شرکتهای قدیمی تر را دنبال می کنند. امید است که بعضی از این روش ها، پیشرفت های تدریجی را در زمینه کشف دارو ایجاد کنند و احیانا چند گزینه دارویی را هم پیش ببرند اما هم اکنون، هیچ نشانه ای در خصوص تغییر اساسی این فرایند وجود ندارد.

شرکت هایی با روش های کل نگری
اگر روشی صرفاً مبتنی بر هوش مصنوعی باشد، بعید است که مشکلات اساسی کشف دارو را حل کند. باید دید که برای طراحی ترکیباتی که پیش تر ساخته نشده اند و مدل سازی دقیق تعامل آنها با پروتئین های بیماری زا بدون احتیاج به ساخت آنها در آزمایشگاه، چه چیزی لازم است.
پاسخ این پرسش، هوش مصنوعی است اما در ارتباط با پیشرفت در سطح اتمی شیمی و فیزیک مطرح می شود.
شرکت “شرودینگر”(Schrödinger) از سال ۱۹۹۰ در این حوزه فعالیت داشته است و دستگاههای نرم افزاری را برای کشف دارو با کمک کامپیوتر می فروشد که مدل سازی مبتنی بر فیزیک را در بر دارد و با بررسی های مبتنی بر داده های ویژه تجربی تکمیل می شود. بیشتر شرکتهای داروسازی و زیست فناوری در دو دهه گذشته، از ابزارهای شرودینگر و دیگران بهره برده اند. با این حال، روند نزولی صنعت در بهره وری پژوهش و توسعه نشان داده است که چنین ابزارهایی در وضعیت کنونی قادر به تغییر دادن حوزه کشف دارو نیستند.
با این حال، باآنکه دستگاههای شرودینگر، متحول کننده نیستند اما یقینا برای فرایند کشف دارو سودمند هستند. این شرکت در سال ۲۰۲۰ برای تأمین مالی برنامه های دارویی داخلی، به بازار وارد شد و باآنکه هیچ کدام از محصولات آن تابحال به آزمایش های بالینی نرسیده اند اما بهره وری شرودینگر، بدتر از سایر شرکتهای دارویی سنتی یا مبتنی بر هوش مصنوعی نیست و حتی با عنایت به درک عمیق تر آن در مورد دستگاههای خود، احیانا بهتر است.
شرکت Verseon هم یک پلت فرم کشف دارو دارد که با محصولات شرکتهای دارویی سنتی یا مبتنی بر هوش مصنوعی متفاوت می باشد. این شرکت، دستگاههای مبتنی بر هوش مصنوعی خویش را برای بخش هایی از توسعه دارویی خود ساخته است و استفاده می نماید. موضع شرکت این است که پیشرفت های اساسی در خیلی از زمینه های متعدد علمی، برای طراحی سریع سیستماتیک و توسعه گزینه های دارویی جدید ضروری هستند. شرکت Verseon به رغم تمایل برای محافظت از اسرار تجاری خود، پلت فرم خویش را در دسترس افراد مشهور و معتبر حوزه صنعت و دانشگاه قرار داده است.
“رابرت کارر”(Robert Karr)، معاون سابق راهبرد پژوهش و توسعه شرکت “فایزر”(Pfizer)، برپایه تجزیه و تحلیل و آزمایش پلت فرم خود، به سرمایه گذاری در Verseon ادامه داد و اظهار داشت: پلت فرم Verseon، نحوه کشف و توسعه داروها را تغییر می دهد و این شرکت آماده است تا تاثیر قابل ملاحظه ای بر پزشکی جدید بگذارد.
شرکت Verseon هم اکنون، ۱۴ داروی جدید را در مراحل متعدد توسعه دارد.
برنامه در ارتباط با داروی ضد انعقاد Verseon، هم اکنون در مرحله آزمایش بالینی است. “جان دینفیلد”(John Deanfield)، استاد قلب و عروق “کالج دانشگاهی لندن”(UCL) اظهار داشت: ضد انعقادهای Verseon به خاطر عملکرد منحصر به فرد و خطر خونریزی کم، بسیار امیدوارکننده به نظر می رسند. داروهای این شرکت، یک فرصت هیجان انگیز برای درمان تعداد زیادی از بیماران قلبی-عروقی هستند.
به صورت کلی میتوان اظهار داشت که هوش مصنوعی می تواند فناوری مهمی باشد که به فرایند کشف دارو کمک می نماید اما موفق ترین شرکت ها، آن گروهی هستند که پیچیدگی گسترده حوزه کشف دارو را کاملا درک کرده اند و روش هایی را برای رسیدگی به همه جنبه های این چالش توسعه می دهند. خیلی از صنایع دیگر، شاهد سرخوشی و سرمایه گذاری سوداگرانه بوده اند که توسط شرکت هایی که روش های جدید را بررسی می کنند، ابداع شده اند. بیشتر آنها شکست می خورند اما گاهی اوقات، یک یا دو شرکت ظاهر می شوند تا همه چیز را اساسا تغییر دهند. امکان دارد که شاهد تغییراتی در حوزه کشف دارو باشیم که تفاوتی واقعی را در سلامت جهانی ایجاد خواهند کرد.