يستخدم الذكاء الاصطناعي في تكوين جزيء دوائي يمكنه محاربة التليف

يعد ابتكار عقاقير طبية جديدة عملية معقدة يمكن أن تستغرق سنوات من البحث ومليارات الدولارات. ومع ذلك ، فهو أيضًا استثمار مهم يجب القيام به من أجل صحة الناس. يمكن للذكاء الاصطناعي أن يجعل اكتشاف الأدوية الجديدة أسهل وأسرع بشكل كبير إذا استمر العمل الأخير لشركة Insilico Medicine في إحراز تقدم. كما ذكرت من قبل SingularityHub، استخدمت شركة AI الناشئة مؤخرًا الذكاء الاصطناعي لتصميم جزيء يمكنه مكافحة التليف.

نظرًا لمدى تعقيد عملية اكتشاف جزيئات جديدة للدواء واستهلاكها للوقت ، يبحث العلماء والمهندسون باستمرار عن طرق للإسراع بها. إن فكرة استخدام أجهزة الكمبيوتر للمساعدة في اكتشاف عقاقير جديدة ليست جديدة ، حيث أن المفهوم موجود منذ عقود. ومع ذلك ، كان التقدم على هذه الجبهة بطيئًا ، حيث يكافح المهندسون لإيجاد الخوارزميات المناسبة لإنشاء الأدوية.

بدأ التعلم العميق في جعل اكتشاف الأدوية الذي يحركه الذكاء الاصطناعي أكثر قابلية للتطبيق ، حيث استثمرت شركات الأدوية بكثافة في شركات الذكاء الاصطناعي الناشئة خلال السنوات القليلة الماضية. تمكنت إحدى الشركات من استخدام الذكاء الاصطناعي لتصميم جزيء يمكنه مكافحة التليف ، ولم يستغرق الأمر سوى 46 يومًا لتحقيق حلم جزيء يشبه الأدوية العلاجية. جمعت Insilco Medicine بين تقنيتين مختلفتين للتعلم العميق لتحقيق هذه النتيجة: التعلم المعزز وشبكات الخصومة التوليدية (GANs).

تعزيز التعلم هي طريقة للتعلم الآلي تشجع نموذج التعلم الآلي على اتخاذ قرارات معينة من خلال تزويد الشبكة بتعليقات تثير استجابات معينة. يمكن معاقبة النموذج على اتخاذ خيارات غير مرغوب فيها أو مكافأته على اتخاذ خيارات مرغوبة. باستخدام مزيج من التعزيز السلبي والإيجابي، يتم توجيه النموذج نحو اتخاذ القرارات المرغوبة، وسوف يتجه نحو اتخاذ قرارات تقلل من العقوبة وتعظم المكافأة.

في هذه الأثناء، شبكات التزوج التوليدية هي "عدائية" لأنها تتكون من شبكتين عصبيتين مختلفتين ضد بعضهما البعض. يتم إعطاء الشبكتين أمثلة لأشياء للتدريب عليها ، صور في كثير من الأحيان. تتمثل مهمة إحدى الشبكات في إنشاء كائن مزيف ، وهو شيء مشابه بدرجة كافية للكائن الحقيقي بحيث يمكن الخلط بينه وبين المقالة الأصلية. وظيفة الشبكة الثانية هي اكتشاف الأشياء المزيفة. تحاول الشبكتان التفوق في الأداء على الشبكة الأخرى ، وبما أنهما تعملان على زيادة أدائهما للتغلب على الشبكة الأخرى ، فإن سباق التسلح الافتراضي هذا يؤدي إلى نموذج مزيف يولد كائنات لا يمكن تمييزها تقريبًا عن الشيء الحقيقي.

من خلال الجمع بين كل من GANS وخوارزميات التعلم المعزز ، تمكن الباحثون من جعل نماذجهم تنتج جزيئات دوائية جديدة تشبه إلى حد كبير الأدوية العلاجية الموجودة بالفعل.

نُشرت مؤخرًا نتائج تجارب Insilico Medicine مع اكتشاف العقاقير بالذكاء الاصطناعي في مجلة Nature Biotechnology. في الورقة ، يناقش الباحثون كيف تم تدريب نماذج التعلم العميق. أخذ الباحثون تمثيلات للجزيئات المستخدمة بالفعل في الأدوية للتعامل مع البروتينات المتورطة في التليف الرئوي مجهول السبب أو IPF. تم استخدام هذه الجزيئات كأساس للتدريب وتمكنت النماذج المدمجة من توليد حوالي 30,000 جزيء دوائي محتمل.

ثم قام الباحثون بفرز 30000 جزيء مرشح واختيار ستة جزيئات واعدة لإجراء الاختبارات المعملية. تم تصنيع هؤلاء الستة المتأهلين للتصفيات النهائية في المختبر واستخدموا في سلسلة من الاختبارات التي تتبعت قدرتهم على استهداف بروتين IPF. بدا جزيء واحد ، على وجه الخصوص ، واعدًا ، حيث قدم نوع النتائج المرغوبة في دواء طبي.

من المهم ملاحظة أن عقار التليف المستهدف في التجربة قد تم بالفعل بحثه على نطاق واسع ، مع وجود العديد من الأدوية الفعالة له بالفعل. يمكن للباحثين الرجوع إلى هذه الأدوية ، وهذا أعطى فريق البحث دعمًا لأن لديهم كمية كبيرة من البيانات لتدريب نماذجهم عليها. هذا لا ينطبق على العديد من الأمراض الأخرى ، ونتيجة لذلك ، هناك فجوة أكبر يجب سدها في هذه العلاجات.

هناك حقيقة مهمة أخرى وهي أن نموذج تطوير الأدوية الحالي للشركة لا يتعامل إلا مع عملية الاكتشاف الأولية ، وأن الجزيئات التي يولدها نموذجها ستتطلب الكثير من التعديلات والتحسينات قبل أن يمكن استخدام الجزيئات في التجارب السريرية.

بحسب Wired، يقر Alex Zharvornokov ، الرئيس التنفيذي لشركة Insilico Medicine ، بأن الدواء الذي يحركه الذكاء الاصطناعي ليس جاهزًا للاستخدام الميداني ، مع كون الدراسة الحالية مجرد دليل على المفهوم. كان الهدف من هذه التجربة هو معرفة مدى السرعة التي يمكن بها تصميم دواء بمساعدة أنظمة الذكاء الاصطناعي. ومع ذلك ، يلاحظ زافورنوكوف أن الباحثين كانوا قادرين على تصميم جزيء يحتمل أن يكون مفيدًا بشكل أسرع بكثير مما كان يمكن أن يكون لديهم إذا استخدموا طرقًا منتظمة لاكتشاف الأدوية.

على الرغم من المحاذير ، لا يزال بحث Insilico Medicine يمثل تقدمًا ملحوظًا في استخدام الذكاء الاصطناعي لابتكار عقاقير جديدة. تنقيح التقنيات المستخدمة في الدراسة يمكن أن تقصر إلى حد كبير مقدار الوقت المطلوب لتطوير دواء جديد. قد يكون هذا مفيدًا بشكل خاص في عصر تتكاثر فيه البكتيريا المقاومة للمضادات الحيوية ويفقد العديد من الأدوية الفعالة سابقًا فعاليتها.