كيف يكسّر الذكاء الاصطناعي العوائق في اكتشاف دواء الجزيئات الصغيرة

تُعتبر التجارب السريرية لتطوير الأدوية بطيئة ومكلفة، ويتم الموافقة على نسبة صغيرة فقط من المرشحين للدواء من قبل السلطات التنظيمية. العوائق الواسعة في عملية اكتشاف الدواء التقليدية مألوفة جدًا لأولئك في صناعة الأدوية: المرحلة السريرية وحدها تستغرق حوالي عقد من الزمان وتستحوذ على ما يقرب من ثلاثة أرباع تكاليف البحث والتطوير، مع ارتفاع متوسط تكلفة تطوير دواء إلى 2.2 مليار دولار في عام 2024.

ربما الأكثر أهمية، عانت صناعة الأدوية من صعوبة في التنبؤ بدقة بنتائج التطوير الناجحة خلال المراحل الأولى: حوالي 80-90 في المائة من مرشحي الدواء يفشلون في الحصول على الموافقة尽管 السنوات العديدة والتمويل الواسع الموجه لتطويرهم.سلامة الدواء هو سبب كبير لذلك، حيث تُعد السمية غير المتوقعة مسؤولة عن حوالي 30 في المائة من فشل تطوير الدواء.

الجزيئات المكتشفة بواسطة الذكاء الاصطناعي أكثر نجاحًا في التجارب السريرية من المرحلة الأولى

然而، تشير البيانات الناشئة إلى أن الذكاء الاصطناعي والمناهج الحاسوبية لا تعالج فقط هذه التحديات – بل تغير من khảية التنبؤ بنتائج ناجحة. المراحل الأولى من تطوير دواء جديد حاسمة بشكل خاص – وهنا تكمن أهمية الذكاء الاصطناعي والكيمياء الحاسوبية.

يمكن أن تساعد هذه المناهج الحاسوبية في العثور على علاجات جديدة فعالة لاستهداف البروتينات الصحيحة لمعالجة الأمراض في مرحلة اكتشاف وتحسين الدواء، بدلاً من لاحقًا في العملية، وهو ما كان الحال لفترة طويلة. تُعد التنبؤ بالسمية الحاسوبية مفيدة بشكل خاص في المراحل الأولى من اكتشاف الدواء، لأنها يمكن أن تستبعد الجزيئات التي من المحتمل أن تفشل في التجارب السريرية. العثور على أفضل الأدوية في وقت مبكر – وتحديد تلك التي لن تعمل – يمكن أن يوفر عقدًا من الزمان من البحث المكلف ويزيد من فرصة نجاح الدواء في مرحلة التجارب السريرية.

تشير الأبحاث الحديثة حول شركات التكنولوجيا الحيوية الأصلية التي تعتمد على الذكاء الاصطناعي إلى اتجاهات مشجعة تشير إلى أن المناهج الحاسوبية بدأت في التغلب على بعض التحديات الأكثر أهمية في اكتشاف الدواء. على سبيل المثال، وجد تحليل نشر في مجلة اكتشاف الدواء اليوم أن الجزيئات المكتشفة بواسطة الذكاء الاصطناعي أكثر نجاحًا بشكل كبير من المعدلات التاريخية للصناعة في التجارب السريرية من المرحلة الأولى – حيث تصل إلى معدل نجاح 80-90 في المائة في المرحلة الأولى، مقارنة بمعدل نجاح 40-65 في المائة في الصناعة.

يُعد هذا النجاح في المراحل الأولى مهمًا بشكل خاص لأنه يشير إلى أن المناهج التي تعتمد على الذكاء الاصطناعي تحل واحدة من أكثر التحديات fundamentality في اكتشاف الدواء: تصميم الجزيئات التي تمتلك الخصائص المتعددة اللازمة لتطوير الأدوية.

قوة التحسين المتعدد المعاملات

في قلب هذا التحول تكمن مهارة أن الكيمياء الحاسوبية التي تعتمد على الذكاء الاصطناعي أفضل وأسرع من البشر: التحسين المتعدد المعاملات، عملية موازنة خصائص متعددة لدواء محتمل في نفس الوقت – مثل القوة والسلامة والخصوصية وسمية الغشاء الدموي الدماغي والعديد من غيرها. هذا يجعلها أكثر دقة وأسرع وأكثر كفاءة في تصميم المرشحين الأكثر وعدًا، حتى لو كانت الخصائص متعارضة.

المناهج التقليدية لاكتشاف الدواء يمكن أن تُحسّن معاملًا واحدًا في كل مرة، مما يجعل من الصعب تحسين جانب دون التأثير السلبي على جوانب أخرى. على سبيل المثال، دواء يُقصد استخدامه لمعالجة أورام الدماغ يحتاج إلى khảية اختراق حاجز الدم في الدماغ حتى يتمكن من الوصول إلى الدماغ. لكن دواءً يخترق الحاجز بفعالية قد لا يكون كافياً في تحديد الهدف، مما قد يقلل من فعالية الدواء أو يسبب آثار جانبية غير مرغوب فيها. قد تُحسّن المناهج التقليدية حاجز الدم في الدماغ أولاً وتعالج الخصائص الأخرى لاحقًا، مما قد يؤدي إلى إساءة معالجة المشاكل في وقت لاحق من العملية.

في غضون ذلك، تتغير الأدوات الحاسوبية التي تعتمد على الذكاء الاصطناعي من根本يًا في نهج تصميم الدواء. بدلاً من التحسين المتسلسل الذي قد يؤدي إلى فشل في المراحل اللاحقة، يُمكن للذكاء الاصطناعي أن يُحسّن في نفس الوقت عبر جميع المعاملات الحاسمة بالفعل في مرحلة اكتشاف الدواء. يمكن للباحثين إدخال البيانات حول العديد من القيود والخوارزميات لطلب العثور على جزيء معروف يعمل بشكل أفضل مع جميع تلك القيود – أو توليد جزيء جديد. باستخدام أدوات الذكاء الاصطناعي التوليدية وتعلم الآلة المتقدمة لتطوير مرشحين دواء مثاليين بشكل أسرع وأكثر دقة، من خلال تحليل متزامن لمعاملات متعددة، يزيد من احتمال النجاح ويتوقع في النهاية أن يؤدي إلى تطوير علاجات أكثر فعالية وموثوقة وآمنة للمرضى.

يمكن للأدوات الحاسوبية التي تعتمد على الذكاء الاصطناعي أيضًا تعلم المتطلبات الفريدة لمناطق علاجية مختلفة. يمكن للخوارزميات أن تدمج هذه المتطلبات الدقيقة لتوليد مرشحين دواء مُصممين خصيصًا لأمراض وоргانات محددة بدلاً من مجرد удовلاء المعايير العامة لجزيئات دواء.

لتمكين هذه المناهج التي تعتمد على الذكاء الاصطناعي حقًا، يتم الحاجة إلى مجموعات بيانات ضخمة من الجزيئات، سواء لتجربة و特别 لتدريب هذه النماذج. كلما كانت المجموعة أكبر، زادت المساحة الكيميائية التي تغطيها، مما يزيد من فرص النجاح. بدلاً من تجربة عشرات الآلاف (أو حتى بضع ملايين) من الجزيئات وانتقال بضع عشرات إلى التطوير، يمكن للباحثين الحاسوبيين تجربة عشرات مليارات الجزيئات.

الخطوة التالية: دمج مناهج الذكاء الاصطناعي في خطوط التطوير

مع زيادة تعقيد هذه المناهج، يُعد أحد التحديات الرئيسية القدرة على أداء هذه العمليات بمقياس. لذلك، الخطوة التالية للاستفادة من الذكاء الاصطناعي في اكتشاف الدواء هي دمج أدوات تتيح للعثور على عملية يمكن توسيعها من خلال استخدام وكلاء الذكاء الاصطناعي – أنظمة حاسوبية ذاتية تعمل على أداء مهام أو عمليات معقدة دون تدخل بشري دائم.

على سبيل المثال، يمكن استخدام الوكلاء لجمع وتحليل المعلومات اللازمة والمتزايدة باستمرار واستبعاد مرشحي الدواء الأقل صلة.

بمجرد تدريب الوكلاء على العديد من المعاملات والقيود الكيميائية والمتغيرات الأخرى ذات الصلة مثل مستويات السمية ومتطلبات إدارة الأغذية والأدوية، سيكونون في النهاية قادرين على تزويد الباحثين بالمرشحين الجزيئيين الرائدين لأي مرض.

تحدي صناعة الأدوية الآن ليس ما إذا كان يجب تبني التصميم الدوائي الحاسوبي الذي يعتمد على الذكاء الاصطناعي، بل كيف يمكن دمجه بفعالية في خطوط التطوير الحالية.尽管 لا يزال هناك تحديات، تشير الأدلة المبكرة إلى أن الذكاء الاصطناعي والكيمياء الحاسوبية يحملان المفتاح لتحسين الأدوية التي تُطوّر بكفاءة أكبر ووصلها إلى المزيد من المرضى بشكل أسرع من أي وقت مضى.