به گزارش ایسنا و به نقل از نانومگزین، نیاز به واکسن‌ها و داروهای ضد ویروسی برای مقابله با همه‌گیری کووید-۱۹، تمرکز بر محدودیت‌های 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 موسوم 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 چالش‌های کشف دارو مانند سایر صنایع، توجه شرکت‌ها، سرمایه‌گذاران و عموم مردم را به خود جلب کرده است.

این گزارش نحوه دگرگونی کشف دارو و نانوپزشکی را بررسی می‌کند.

چالش‌های کشف دارو

کشف دارو، با مشکل یافتن مولکول‌های جدیدی همراه است که به پروتئین‌های بیماری‌زای موجود در بدن ما متصل می‌شوند؛ خواه پروتئین‌های خود بدن باشند، خواه مهاجمان ویروسی یا باکتریایی. طراحی این مولکول‌های دارویی جدید، یک چالش علمی و فناوری در مقیاس نانو است. به بازار رسیدن یک داروی معمولی با مولکول کوچکی که می‌توان آن را به عنوان قرص تجویز کرد، ۱۰ تا ۱۲ سال زمان می‌برد و توسعه آن میلیاردها دلار هزینه دارد. احتمال موفقیت هر برنامه نیز براساس منطقه درمانی، متغیر است. این یک رقابت با خطرپذیری بالا است و به نسبت هر موفقیت، ده‌ها شکست وجود دارد.

بازدهی سرمایه اکنون در حال کاهش یافتن است و انتظار می‌رود که بیشتر از این نیز کاهش یابد. شرکت‌های دارویی، این ناکارآمدی فزاینده را با افزایش قیمت دارو و صدور مجوز برای داروهای امیدوارکننده شرکت‌های کوچک‌تر در مراحل ابتدایی توسعه جبران می‌کنند. افزایش تاییدیه‌های "سازمان غذا و دارو"(FDA) برای داروهای موسوم به "me-too"، کمک چندانی به بهبود درمان بیماری‌های گوناگون نمی‌کند. اگر صنعتی برای تحول آماده باشد، داروسازی است.

شناسایی گزینه‌های 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 می‌شود. غربالگری با توان بالا، به واسطه تشخیص سیگنال مرتبط با فعالیت اتصال، یک پروتئین عامل بیماری را در برابر ترکیبات ذخیره‌شده دارو آزمایش می‌کند. ترکیباتی که سیگنال‌های قوی را نشان می‌دهند، بیشتر مشخص می‌شوند و از نظر شیمیایی اصلاح می‌گردند تا در بررسی حیوانی نشان دهند که سیگنال‌های قوی به اندازه کافی ایمن و مؤثر هستند و آزمایش‌های بالینی انسانی را تضمین کنند.

ترکیبات ذخیره‌شده کنونی، به اندازه یک قطره آب در اقیانوس گسترده ترکیبات دارویی بالقوه هستند. تا زمانی که راهی برای هدایت سریع آن پیدا نشود، کل فرآیند کشف دارو زمان‌بر، پرهزینه و نامنظم باقی می‌ماند و شانس موفقیت آن بسیار پایین خواهد بود. آنچه مورد نیاز است، داروهای جدیدی هستند که به صورت سیستماتیک طراحی ‌شده‌اند تا به پروتئین‌های مورد نظر متصل شوند.

سابقه طولانی جست و جو

هوش مصنوعی، آخرین مورد از چندین تلاش صورت گرفته برای ساده‌سازی کشف دارو در ۳۰ سال گذشته است. حوزه شیمی ترکیبی در دهه ۱۹۹۰، به بلوغ رسید و وعده داد که به سرعت، مجموعه‌ای از ترکیباتی را ارائه دهد که از پیش به واسطه غربالگری با توان بالا برای آزمایش ساخته شده‌اند.

این وعده، توجه سرمایه‌گذاران و همچنین مقدار زیادی از پول آنها را به خود جلب کرد اما شیمی ترکیبی فقط تغییرات کوچکی در الگوهای شیمیایی موجود ایجاد می‌کند و اساسا به تولید مولکول‌های جدید نمی‌پردازد. این حوزه پس از گام‌های ابتدایی در جهت گسترش مجموعه‌های ترکیبی دچار تزلزل شد؛ بنابراین بیشتر شرکت‌هایی که از این روش استفاده می‌کردند، کنار رفتند.

"پیتر کروکز"(Peter Crooks)، مدیر بخش طراحی و کشف دارو در "انجمن دانشمندان دارویی آمریکا"(AAPS) گفت: وعده شیمی ترکیبی آن گونه که انتظار می‌رفت، توسعه نیافته است و ما شاهد افزایش قابل توجه توسعه داروهای جدید نبوده‌ایم.

شرکت دارویی "ورتکس"(Vertex) در همان دهه، یکی از نخستین قهرمانان طراحی سیستماتیک دارو به وسیله رایانه بود. هدف این شرکت، جایگزین کردن روش غربالگری با توان بالا با استفاده از ترکیباتی بود که با شبیه‌سازی رایانه‌ای تعامل دارو و پروتئین و براساس قوانین پایه‌ای فیزیک و شیمی، از پیش ساخته‌ شده بودند. اگر بتوان مولکول‌ها را بدون تولید و فقط به واسطه شبیه‌سازی آزمایش کرد، می‌توان تعداد بیشتری از گزینه‌های 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 رایانه‌ای در آن زمان نمی‌توانستند با این نظریه مطابقت داشته باشند؛ بنابراین ورتکس، روش‌های سنتی آزمون و خطای آزمایشگاهی را سفارشی‌سازی کرد و نام آن را به "کموژنومیکس"(Chemogenomics) تغییر داد تا چند گزینه دارویی را به آزمایش‌های بالینی ببرد.

بسیاری از شرکت‌های همتای آن از جمله "لوکاس فارماسیوتیکالز"(Locus Pharmaceuticals) و "فارمیکس"(Pharmix)، مجموعه دستگاه‌های خود را تکامل بخشیدند و شرکت‌های دیگری مانند "Verseon" طی دو دهه گذشته ظاهر شدند.

چالش‌های کشف دارو با کمک هوش مصنوعی

در حال حاضر، تعداد کمی از شرکت‌های فعال در حوزه هوش مصنوعی سعی دارند با استفاده از داده‌های دارویی در دسترس، کشف دارو را بهبود ببخشند. آنها نتایج کار خود را منتشر کرده‌اند و به مطرح کردن سه مشکل اساسی پرداخته‌اند.

نخستین مشکل این است که هوش مصنوعی در مرزهای شناخته‌شده داده گرفتار شده است. "آموری لنداس"(Amaury Lendasse)، پژوهشگر برجسته حوزه هوش مصنوعی و مدیر ارشد فناوری شرکت "ادامو"(Edammo Inc) گفت: روش‌های مبتنی بر هوش مصنوعی، از داده‌های شناخته‌شده یاد می‌گیرند و می‌توانند در دامنه‌ای که این داده‌های خاص را در بر دارد، به پیش‌بینی بپردازند. به عبارت دیگر، درون‌یابی می‌کنند. آنها نمی‌توانند در خارج از این حوزه، عملکرد خوبی داشته باشند و اغلب در برون‌یابی شکست می‌خورند.

دومین مشکل این است که استفاده از هوش مصنوعی در کشف دارو، به دو مجموعه متفاوت از داده‌ها برای پیش‌بینی خوب نیاز دارد. یکی از مجموعه‌ها، راه‌حل‌هایی را در بر دارد که در شرایط مشابه کار می‌کنند و داده‌هایی را برای ترکیبات ساخته‌شده پیشین ارائه می‌دهند. دومین مجموعه که هوش مصنوعی را برای ارزیابی موثر شرایط جدید نیاز دارد، برای ترکیباتی به کار می‌رود که عملکرد درستی ندارند و به شکل معناداری در سوابق علوم زیستی وجود ندارند.

سومین مشکل این است که بیشتر نتایج پژوهش‌های حوزه علوم زیستی، تکرارناپذیر هستند و حتی از ۵۰ درصد فراتر می‌روند؛ بنابراین، مشکل هوش مصنوعی بدتر از شکست صرف در برون‌یابی است. اگر بیشتر داده‌های منتشرشده تکرارناپذیر باشند، همه پیش‌بینی‌های هوش مصنوعی براساس چنین داده‌هایی، بسیار مشکوک هستند.

آیا می‌توان گفت که سرمایه‌گذاران شرکت‌های کشف دارو مبتنی بر هوش مصنوعی، گرفتار همان تبلیغاتی شده‌اند که شیمی ترکیبی و طراحی دارو به کمک رایانه را احاطه کرده بود؟

شرکت "بنولنت ای‌آی"(BenevolentAI) در سال‌های اخیر، بیش از ۳۴۵ میلیون دلار بودجه دریافت کرده است. این شرکت، فناوری‌های موسوم به "مغز ماشینی علوم زیستی"(bioscience machine brain) و "نمودار دانش"(Knowledge Graph) خود را که مقالات مجلات، داده‌های آزمایشگاهی، زیست‌شناسی شبکه، داده‌های برنامه دارویی، سوابق ثبت اختراع، و داده‌های بالینی را در بر دارد، به نمایش می‌گذارد اما هیچ جزئیات فنی ارائه نشده است و بسیاری از پژوهشگران، نمودار دانش را رد می‌کنند.

"درک لو"(Derek Lowe)، شیمیدان برجسته، در مقاله علمی سال ۲۰۱۸ خود با عنوان "بنولنت ای‌آی: دو میلیارد می‌ارزد"(BenevolentAI:Worth Two Billion)، این روش‌های پیرامون کشف دارو را رسوا کرد. انتظارات خود لو از هوش مصنوعی، سنجیده‌تر است. وی به مطرح کردن این موضوع پرداخت که هوش مصنوعی برای کاوش در آنچه که پیشتر یافته‌ایم، بسیار خوب خواهد بود اما اضافه کرد که ما در مورد سلول‌ها، موجودات و بیماری‌ها، اطلاعات کافی نداریم. هوش مصنوعی، مجموعه‌ای از داده‌های کافی برای تجزیه و تحلیل است.

یکی دیگر از شرکت‌هایی که روشی مبتنی بر هوش مصنوعی دارد، "اکسشیینشا"(Exscientia) است که اخیرا بیش از نیم میلیارد دلار بودجه جمع‌آوری کرد. این شرکت دارای چند گزینه دارویی است که به فاز یک آزمایش‌های بالینی وارد می‌شوند اما به نظر نمی رسد که این ترکیبات واقعا ماده شیمیایی جدیدی باشند. برای نمونه، گزارش‌ها نشان می‌دهند که چارچوب شیمیایی ورای آنتاگونیست ضد سرطان گیرنده A۲ این شرکت، سال‌ها پیش، همراه با چندین چارچوب بسیار مشابه توسط دیگران ارائه شده بود. به نظر می‌رسد که این موضوع در مورد سایر گزینه‌های دارویی این شرکت نیز صدق می‌کند.

"کریگ کوبرن"(Craig Coburn)، رئیس بخش کشف داروی شرکت "تروتانا تراپیوتیکز"(Trotana Therapeutics)، اطلاعات منتشر شده را در مورد داروهای شرکت اکسشیینشا که برای اختلال وسواس فکری-عملی، ایمونوانکولوژی و روان‌پریشی مرتبط با آلزایمر تجویز می‌شوند، ارزیابی کرد و نتیجه گرفت که هیچ کدام از این برنامه‌ها، بینش و طراحی بیشتری را نسبت به آنچه که یک شیمیدان با تجربه می‌تواند ارائه دهد، ارائه نمی‌کنند. پلتفرم اکسشیینشا را می‌توان به‌ عنوان روشی نیمه خودکار برای کار کردن در بخش مشخصی از فضای شیمی و برای جستجو در مواد شیمیایی ثبت‌ شده، توصیف کرد.

بررسی مقالات ارسال‌شده در وبسایت اکسشیینشا، سرنخ‌هایی را نیز در مورد این که آیا پیشرفت‌های اساسی صورت گرفته است یا خیر ارائه می‌دهد. یکی از مقالات برجسته، تحلیل تصویربرداری سلولی را برای شمارش سلول‌های سرطانی به دست آمده از نمونه‌برداری‌ها پوشش می‌دهد. اکسشیینشا این روش را "scFPM" می‌نامد. با وجود این، برخی از کارشناسان می‌گویند که این روش هیچ تفاوتی با "فلو سایتومتری"(Flow cytometry) معمولی ندارد و با تکنیک‌های ساده یادگیری ماشینی برای تجزیه و تحلیل مجموعه خروجی‌های استاندارد دنبال می‌شود.

پس از این که یک زیرمجموعه دیگر آلفابت موسوم به "دیپ‌مایند"(DeepMind)، در سال ۲۰۲۰ توانایی خود را برای پیش‌بینی دقیق نحوه تاشدگی پروتئین‌ها اعلام کرد، شرکت آلفابت، آیزوفورمیک لبز را برای ارائه مجدد روند توسعه داروهای جدید با روش مبتنی بر هوش مصنوعی تاسیس کرد.

یادگیری عمیق، روشی مبتنی بر یادگیری ماشینی است که مرکز فناوری دیپ‌مایند به شمار می‌رود و از زمان توسعه نخستین شبکه‌های عصبی، پیشرفت‌های چشمگیری داشته است.

با وجود این، تعدادی از قوانینی که به خوبی تعریف شده‌اند و مقادیر زیادی از داده‌های موجود یا قابل تولید، مشخصه این تنظیمات هستند و تاشدگی پروتئین، موضوعی است که ویژگی‌های مشابهی دارد. قوانین تکاملی گوناگون، بر نحوه شکل‌گیری پروتئین‌ها برای مفید واقع شدن در یک محیط زیستی نظارت می‌کنند. حجم قابل توجهی از داده‌های تجربی نیز در دهه‌های اخیر، در مورد ساختارهای پروتئینی و تغییرات ساختاری که پروتئین‌ها پس از بروز تغییرات کوچک در توالی تشکیل‌دهنده آمینواسیدهای خود نشان می‌دهند، جمع‌آوری شده است. همه این اطلاعات، محیطی عالی را برای استفاده از روش‌های یادگیری عمیق ایجاد می‌کنند.

در مقابل، کشف دارو یک محیط کاملا متفاوت است. داده‌های موجود در مورد اتصال پروتئین و دارو، بسیار کم و اغلب غیرقابل اعتماد هستند. در مقایسه با تعداد زیادی از ترکیبات بالقوه دارویی، تعداد بی‌نهایت کمی از ترکیبات در این محیط ساخته شده‌اند. مشکل تکرارناپذیری که پیشتر مورد بحث قرار گرفت، بدین معناست که بسیاری از داده‌های مربوط به این ترکیبات و برخی از اثرات بیولوژیکی آنها غیرقابل اعتماد هستند. یک نکته دیگر این است که تغییرات کوچک صورت گرفته در مولکول‌های دارو می‌تواند تأثیر زیادی بر میل پیوند آنها به پروتئین مورد نظر و همچنین سایر ویژگی‌های بیولوژیکی آنها داشته باشد. این تنظیم برای بیشتر روش‌های یادگیری ماشینی، به ‌ویژه یادگیری عمیق، مناسب نیست.

"گوانگ بین هوانگ"(Guang-Bin Huang)، استاد "دانشگاه صنعتی نانیانگ"(NTU) در سنگاپور گفت: یادگیری عمیق به رغم موفقیت‌های خود در عرصه‌های خاص، در بسیاری از موقعیت‌ها راه‌حل خوبی نیست. به ویژه، قابلیت‌های یادگیری و عملکرد پیش‌بینی آن‌ برای مجموعه کوچک یا پراکنده‌ای از داده‌ها، کاملا محدود است.

با وجود این، "دمیس حسابیس"(Demis Hassabis)، مدیر عامل اجرایی دیپ‌مایند و آیزوفورمیک لبز اظهار داشت که ممکن است ساختار زیربنایی مشترکی میان زیست‌شناسی و علم اطلاعات وجود داشته باشد. درست همانگونه که ریاضیات، زبان توصیف مناسبی برای فیزیک است، امکان دارد که زیست‌شناسی، بهترین ساختار برای استفاده از هوش مصنوعی باشد. اما این بیانیه می‌تواند به ایجاد شک و تردید اساسی از سوی کارشناسانی منجر شود که با چالش نامنظم کشف داروهای جدید آشنا هستند.

در واقع، ادعاهای جسورانه و شرایط بازاریابی جدید در مورد روش‌های قدیمی اصلاح‌شده نشان می‌دهد که بسیاری از شرکت‌های فعال در حوزه اکتشاف دارو با محوریت هوش مصنوعی، روش‌های ورتکس و سایر شرکت‌های قدیمی‌تر را دنبال می‌کنند. امید است که برخی از این روش‌ها، پیشرفت‌های تدریجی را در زمینه کشف دارو ایجاد کنند و احتمالا چند گزینه دارویی را نیز پیش ببرند اما در حال حاضر، هیچ نشانه‌ای مبنی بر تغییر اساسی این فرآیند وجود ندارد.

شرکت‌هایی با روش‌های کل‌نگری

اگر روشی صرفا مبتنی بر هوش مصنوعی باشد، بعید است که مشکلات اساسی کشف دارو را حل کند. باید دید که برای طراحی ترکیباتی که پیشتر ساخته نشده‌اند و مدل‌سازی دقیق تعامل آنها با پروتئین‌های بیماری‌زا بدون نیاز 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 می‌شود.

شرکت "شرودینگر"(Schrödinger) از سال ۱۹۹۰ در این زمینه فعالیت داشته است و دستگاه‌های نرم‌افزاری را برای کشف دارو با کمک رایانه می‌فروشد که مدل‌سازی مبتنی بر فیزیک را در بر دارد و با بررسی‌های مبتنی بر داده‌های ویژه تجربی تکمیل می‌شود. بیشتر شرکت‌های داروسازی و زیست‌فناوری در دو دهه گذشته، از ابزارهای شرودینگر و دیگران استفاده کرده‌اند. با وجود این، روند نزولی صنعت در بهره‌وری پژوهش و توسعه نشان می‌دهد که چنین ابزارهایی در وضعیت کنونی قادر به تغییر دادن حوزه کشف دارو نیستند.

با وجود این، اگرچه دستگاه‌های شرودینگر، متحول‌کننده نیستند اما یقینا برای فرآیند کشف دارو سودمند هستند. این شرکت در سال ۲۰۲۰ برای تأمین مالی برنامه‌های دارویی داخلی، به بازار وارد شد و اگرچه هیچ‌ کدام از محصولات آن تاکنون به آزمایش‌های بالینی نرسیده‌اند اما بهره‌وری شرودینگر، بدتر از سایر شرکت‌های دارویی سنتی یا مبتنی بر هوش مصنوعی نیست و حتی با توجه به درک عمیق‌تر آن در مورد دستگاه‌های خود، احتمالا بهتر است.

شرکت Verseon نیز یک پلتفرم کشف دارو دارد که با محصولات شرکت‌های دارویی سنتی یا مبتنی بر هوش مصنوعی متفاوت است. این شرکت، دستگاه‌های مبتنی بر هوش مصنوعی خود را برای بخش‌هایی از توسعه دارویی خود ساخته است و استفاده می‌کند. موضع شرکت این است که پیشرفت‌های اساسی در بسیاری از زمینه‌های گوناگون علمی، برای طراحی سریع سیستماتیک و توسعه گزینه‌های دارویی جدید ضروری هستند. شرکت Verseon به ‌رغم تمایل برای محافظت از اسرار تجاری خود، پلتفرم خود 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)، براساس تجزیه و تحلیل و آزمایش پلتفرم خود، به سرمایه‌گذاری در Verseon ادامه داد و گفت: پلتفرم Verseon، نحوه کشف و توسعه داروها را تغییر می‌دهد و این شرکت آماده است تا تأثیر چشمگیری بر پزشکی جدید بگذارد.

شرکت Verseon در حال حاضر، ۱۴ داروی جدید را در مراحل گوناگون توسعه دارد.

برنامه مربوط به داروی ضد انعقاد Verseon، در حال حاضر در مرحله آزمایش بالینی است. "جان دینفیلد"(John Deanfield)، استاد قلب و عروق "کالج دانشگاهی لندن"(UCL) گفت: ضد انعقادهای Verseon به خاطر عملکرد منحصر به فرد و خطر خونریزی کم، بسیار امیدوارکننده به نظر می‌رسند. داروهای این شرکت، یک فرصت هیجان‌انگیز  برای درمان تعداد زیادی از بیماران قلبی-عروقی هستند.

به طور کلی می‌توان گفت که هوش مصنوعی می‌تواند فناوری مهمی باشد که به فرآیند کشف دارو کمک می‌کند اما موفق‌ترین شرکت‌ها، آن گروهی هستند که پیچیدگی گسترده حوزه کشف دارو را کاملا درک کرده‌اند و روش‌هایی را برای رسیدگی به همه جنبه‌های این چالش توسعه می‌دهند. بسیاری از صنایع دیگر، شاهد سرخوشی و سرمایه‌گذاری سوداگرانه بوده‌اند که توسط شرکت‌هایی که روش‌های جدید را بررسی می‌کنند، ابداع شده‌اند. بیشتر آنها شکست می‌خورند اما گاهی اوقات، یک یا دو شرکت ظاهر می‌شوند تا همه چیز را اساسا تغییر دهند. ممکن است که شاهد تغییراتی در حوزه کشف دارو باشیم که تفاوتی واقعی را در سلامت جهانی ایجاد خواهند کرد.

انتهای پیام