کشف و توسعه داروهای جدید همواره یکی از چالش‌های بزرگ علم پزشکی بوده است. این فرآیند به‌طور سنتی شامل آزمایش‌های مرطوب آزمایشگاهی، اعتبارسنجی‌های دقیق، و روش‌های پیچیده سنتزی است که به هزینه‌های بسیار بالا و زمان طولانی نیاز دارد. به‌طور میانگین، توسعه یک داروی جدید می‌تواند حدود ۱۵ سال زمان و ۲.۸ میلیارد دلار هزینه به همراه داشته باشد. این چالش‌ها نیاز به روش‌های جدید و کارآمدتر را بیش از پیش برجسته کرده‌اند.
در دهه‌های اخیر، پیشرفت‌های بزرگ در زمینه هوش مصنوعی (AI) و دسترسی به داده‌های بزرگ (Big Data) باعث تحولی در روش‌های کشف دارو شده است. تکنیک‌های AI با استفاده از داده‌های گسترده، امکان تحلیل و پیش‌بینی‌های دقیقی را فراهم کرده‌اند که می‌تواند به‌طور چشمگیری فرآیند کشف دارو را تسریع کند. بسیاری از شرکت‌های بزرگ داروسازی نیز شروع به همکاری با شرکت‌های فناوری اطلاعات کرده‌اند تا از پتانسیل‌های AI برای طراحی و توسعه داروهای جدید بهره‌برداری کنند.
منابع داده‌ای
منابع داده‌ای با کیفیت، یکی از اساسی‌ترین نیازها برای به‌کارگیری موفقیت‌آمیز AI در کشف دارو هستند. با پیشرفت تکنولوژی‌های توالی‌یابی و فناوری اطلاعات، مجموعه‌ای از پایگاه‌های داده بزرگ و رایگان ایجاد شده‌اند که به دانشمندان این امکان را می‌دهند تا به اطلاعات گسترده‌ای در مورد ترکیبات شیمیایی، داروها و تعاملات آنها دسترسی داشته باشند. برخی از این پایگاه‌های داده مهم شامل ChEMBL*، DrugBank*، PubChem*، ChemDB*، COCONUT و *DGIdb هستند.
روش‌های نمایشی مولکولی
برای اینکه کامپیوترها بتوانند مولکول‌ها را تحلیل و بررسی کنند، اطلاعات این مولکول‌ها باید به فرمتی قابل فهم برای آنها تبدیل شود. در این راستا، روش‌های نمایشی مولکولی متنوعی وجود دارد که شامل توصیف‌گرهای صفر بعدی (0D)، یک بعدی (1D)، دو بعدی (2D) و سه بعدی (3D) هستند. این روش‌های نمایشی اطلاعات دقیق مولکولی را در قالب‌هایی قابل خواندن برای کامپیوترها ارائه می‌دهند و به این ترتیب امکان استفاده از این اطلاعات در مدل‌های AI فراهم می‌شود.
تکنیک‌های هوش مصنوعی
هوش مصنوعی تکنیک‌های متعددی برای تحلیل و پیش‌بینی در زمینه کشف دارو ارائه کرده است. از جمله این تکنیک‌ها می‌توان به یادگیری نظارت‌شده و بدون نظارت، شبکه‌های عصبی کانولوشنی (CNN)، و شبکه‌های عصبی مکرر (RNN) اشاره کرد. هر یک از این روش‌ها کاربردهای خاصی در مراحل مختلف کشف دارو دارند، مانند:
- **پیش‌بینی سمیت دارو**: مدل‌های AIمی‌توانند با استفاده از داده‌های موجود، سمیت احتمالی داروهای جدید را پیش‌بینی کنند و از این طریق به کاهش هزینه‌های آزمایشگاهی کمک کنند.
- **طراحی داروی جدید (de novo drug design)**: با کمک AI، می‌توان داروهای جدیدی را طراحی کرد که خصوصیات فیزیکوشیمیایی و زیستی مورد نظر را داشته باشند.
- **پیش‌بینی ساختار پروتئین**: شبکه‌های عصبی مکرر می‌توانند به‌طور موثری ساختار پروتئین‌های پیچیده را پیش‌بینی کنند و این اطلاعات برای طراحی داروهای هدفمند بسیار مفید است.
کاربردهای پیشرفته
تکنیک‌های AI در زمینه‌هایی فراتر از تحلیل‌های ساده دارویی نیز به کار گرفته می‌شوند. به عنوان مثال، این تکنیک‌ها در **پیش‌بینی هم‌افزایی و آنتاگونیسم6 داروها**، که می‌تواند به توسعه ترکیبات دارویی جدید منجر شود، بسیار موثر هستند. همچنین، طراحی نانوداروها نیز یکی از حوزه‌های پیشرفته است که AI نقش مهمی در آن ایفا می‌کند.
با وجود تمامی مزایا و کاربردهای AI در کشف دارو، هنوز چالش‌هایی وجود دارد که باید برطرف شوند. از جمله این چالش‌ها می‌توان به **کیفیت پایین داده‌ها**، **مشکل تفسیرپذیری مدل‌ها** و **دسترسی محدود به ابزارهای متن‌باز** اشاره کرد. با این حال، پیشرفت‌های مداوم در این زمینه و همکاری‌های بین‌رشته‌ای نویدبخش آینده‌ای است که در آن AIمی‌تواند به طور چشمگیری فرآیندهای کشف دارو را تسریع و بهینه‌سازی کند.
پی نوشت :
یک - **ChEMBL**: پایگاه داده‌ای که بیش از ۲ میلیون ترکیب با خواص دارو-مانند را شامل می‌شود و اطلاعات جامعی در مورد مکانیزم‌های عمل و ویژگی‌های مولکولی آنها فراهم می‌کند.
دو - **DrugBank**: مرجعی جامع که اطلاعات دقیق درباره ۱۴,۷۴۶ دارو و تعاملات دارو-هدف آنها ارائه می‌دهد.
سه - **PubChem**: منبعی رایگان که اطلاعات شیمیایی و زیستی مولکول‌ها را از بیش از ۸۵۰منبع مختلف جمع‌آوری کرده و به یکی از منابع اصلی برای کشف داروهای محاسباتی تبدیل شده است.
چهار - **COCONUT**: پایگاه داده‌ای شامل بیش از ۴۰۷,۲۷۰ محصول طبیعی با توضیحات جامع که برای تحقیقات در زمینه داروهای طبیعی بسیار مفید است.
پنج - **DGIdb**: پایگاهی که اطلاعاتی در مورد تعاملات دارو-ژن و ژن‌هایی که می‌توانند با داروها تعامل داشته باشند، ارائه می‌کند.
6 -در داروشناسی، عبارت آگونیست-آنتاگونیست یا آگونیست/آنتاگونیست آمیخته برای اشاره به دارویی به کار می رود که تحت برخی شرایط همچون آگونیست (ماده ای که کاملاً گیرنده ای که به آن متصل می شود را فعال می کند) و در شرایط دیگری همچون آنتاگونیست (ماده ای که گیرنده ای که به آن متصل می شود را فعال نکرده و قادر به مسدود کردن فعالیت دیگر آگونیست ها است) رفتار می کند.
نویسنده کسری دسترنج
منبع :https://www.sciencedirect.com/science/article/pii/S2162253123000392
