استخدام الذكاء الاصطناعي لإنشاء جزيئة دوائية يمكن أن تقاوم التليّف

إنّ إنشاء أدوية طبية جديدة عملية معقدة يمكن أن تستغرق سنوات من البحث وملايين الدولارات. ومع ذلك، فإنها استثمار مهم يجب القيام به من أجل صحة الناس. يمكن للذكاء الاصطناعي أن يجعل اكتشاف الأدوية الجديدة أسهل وبصورة كبيرة أسرع إذا استمرت عمل شركة Insilico Medicine في إحراز تقدم. كما ذكر موقع SingularityHub، استخدمت شركة Insilico Medicine مؤخرًا الذكاء الاصطناعي لتصميم جزيئة يمكن أن تقاوم التليّف.

نظرًا لتعقيد عملية اكتشاف الجزيئات الجديدة للأدوية وتأثيرها البطيء، يبحث العلماء والمهندسون دائمًا عن وسائل لتسريعها. فكرة استخدام الحواسيب لمساعدة اكتشاف الأدوية الجديدة ليست جديدة، حيث يعود مفهومها إلى عقود. ومع ذلك، كان التقدم في هذا الصدد بطيئًا، حيث يجد المهندسون صعوبة في العثور على الخوارزميات المناسبة لإنشاء الأدوية.

بدأت التعلم العميق في جعل اكتشاف الأدوية المعتمد على الذكاء الاصطناعي أكثر جدوى، حيث استثمرت شركات الأدوية بشكل كبير في شركات الذكاء الاصطناعي خلال السنوات القليلة الماضية. تمكنت إحدى الشركات من استخدام الذكاء الاصطناعي لتصميم جزيئة يمكن أن تقاوم التليّف، واستغرق الأمر 46 يومًا فقط لتصميم جزيئة تشبه الأدوية العلاجية. قامت شركة Insilico Medicine بدمج تقنيتين من التعلم العميق لتحقيق هذا النتيجة: التعلم التعزيزي وشبكات التوليد المعارضة (GANs).

التعلم التعزيزي هو طريقة تعلم الآلة تشجع نموذج التعلم الآلي على اتخاذ قرارات معينة من خلال تزويد الشبكة بالتعليقات التي تثير استجابات معينة. يمكن معاقبة النموذج على اتخاذ خيارات غير مرغوب فيها أو مكافأته على اتخاذ خيارات مرغوب فيها. من خلال استخدام مزيج من التعزيز السلبي والإيجابي، يوجه النموذج نحو اتخاذ قرارات مرغوب فيها، وسيتميل إلى اتخاذ قرارات تقلل من العقاب وتعظم المكافأة.

في غضون ذلك، شبكات التوليد المعارضة “معارضة” لأنها تتكون من شبكتين عصبيتين متعاكستين. يتم تزويد الشبكتين بنماذج من الكائنات لتدريبها، غالبًا الصور. مهمة الشبكة الأولى هي إنشاء كائن مزيف، شيء كافٍ الشبه بالكائن الحقيقي بحيث يمكن الخلط بينهما. مهمة الشبكة الثانية هي اكتشاف الكائنات المزيفة. تحاول الشبكتان أن تتفوقان على الشبكة الأخرى، وعندما تكون كلا الشبكتين تزيد من أدائهما للتفوق على الشبكة الأخرى، يؤدي هذا الصراع الافتراضي إلى توليد نموذج الكائنات المزيفة التي تتماثل تقريبًا مع الحقيقية.

من خلال دمج خوارزميات GANs والتعلم التعزيزي، تمكنت الباحثون من جعل نماذجهم تنتج جزيئات دوائية جديدة تشبه إلى حد كبير الأدوية العلاجية الحالية.

نشرت نتائج تجارب شركة Insilico Medicine مع اكتشاف الأدوية باستخدام الذكاء الاصطناعي مؤخرًا في مجلة Nature Biotechnology. في الورقة، يناقش الباحثون كيف تم تدريب نماذج التعلم العميق. أخذ الباحثون تمثيلات للجزيئات المستخدمة في الأدوية لمعالجة البروتينات المشاركة في التليّف الرئوي مجهول السبب أو IPF. استخدمت هذه الجزيئات كقاعدة للتدريب، وتمكنت النماذج المدمجة من توليد حوالي 30,000 جزيئة دوائية محتملة.

ثم قام الباحثون بفرز الجزيئات الـ 30,000 المحتملة واختيار ست جزيئات واعدة للاختبار المختبري. تم合ن هذه الجزيئات الستة النهائية في المختبر واستخدمت في سلسلة من الاختبارات التي تتبع khảية استهداف بروتين IPF. بدت جزيئة واحدة على أنها واعدة، حيث قدمت النتائج المطلوبة في دواء طبي.

من المهم ملاحظة أن دواء التليّف المستهدف في التجربة قد تم بحثه بشكل مكثف، مع وجود أدوية فعالة متعددة موجودة بالفعل له. يمكن للباحثين الإشارة إلى هذه الأدوية، وهذا أعطى فريق البحث ميزة لأن لديهم كمية كبيرة من البيانات لتدريب نماذجهم. هذا لا ينطبق على العديد من الأمراض الأخرى، ونتيجة لذلك، هناك فجوة أكبر يجب سدّها في هذه العلاجات.

حقيقة أخرى مهمة هي أن نموذج تطوير الدواء الحالي للشركة يتعامل فقط مع عملية الاكتشاف الأولية، وأن الجزيئات التي تم توليدها بواسطة نموذجها ستظل تحتاج إلى العديد من التعديلات والتحسينات قبل أن يتمكن من استخدامها في التجارب السريرية.

وفقًا لموقع Wired، يقرّ الرئيس التنفيذي لشركة Insilico Medicine، Alex Zhavornokov، بأن دواءه المعتمد على الذكاء الاصطناعي غير جاهز للاستخدام الميداني، مع أن الدراسة الحالية مجرد概念 إثبات. كان هدف هذه التجربة هو رؤية كيف يمكن تصميم دواء بسرعة مع مساعدة أنظمة الذكاء الاصطناعي. ومع ذلك، يشير Zhavornokov إلى أن الباحثين تمكنوا من تصميم جزيئة محتملة الاستخدام بسرعة أكبر مما لو كانوا يستخدمون أساليب اكتشاف الأدوية العادية.

على الرغم من التحفظات، لا يزال بحث شركة Insilico Medicine يمثل تقدمًا ملحوظًا في استخدام الذكاء الاصطناعي لإنشاء أدوية جديدة. يمكن أن يؤدي تطور التقنيات المستخدمة في الدراسة إلى تقليل الوقت المطلوب لتطوير دواء جديد بشكل كبير. يمكن أن يثبت هذا أنه مفيد بشكل خاص في عصر حيث تنتشر البكتيريا المقاومة للمضادات الحيوية ويفقد العديد من الأدوية الفعالة سابقًا فعاليتها.