قادة الفكر
كيف يكسّر الذكاء الاصطناعي العوائق في اكتشاف الأدوية الصغيرة الجزيئة
تُعتبر التجارب السريرية لتطوير الأدوية بطيئة ومكلفة، ويتم الموافقة على نسبة صغيرة فقط من المرشحين للأدوية من قبل السلطات التنظيمية. العوائق الواسعة في عملية اكتشاف الأدوية التقليدية مألوفة جدًا لأولئك في صناعة الأدوية: يتطلب المرحلة السريرية وحدها حوالي عقد من الزمن وت représente ما يقرب من ثلاثة أرباع تكاليف البحث والتطوير، مع ارتفاع متوسط تكلفة تطوير دواء إلى ما يقرب من $2.2 مليار في عام 2024.
ربما يكون الأمر الأكثر حرجة هو أن صناعة الأدوية عانت من صعوبة في التنبؤ بدقة بنتائج التطوير الناجحة خلال المراحل الأولية: حوالي 80-90 في المائة من مرشحي الأدوية يفشلون في الحصول على الموافقة على الرغم من السنوات العديدة والتمويل الواسع الذي يتم استثماره في تطويرهم. السلامة الدوائية هي أحد الأسباب الكبيرة لذلك، حيث تُعتبر السمية غير المتوقعة مسؤولة عن حوالي 30 في المائة من فشل تطوير الأدوية.
الجزيئات المكتشفة بواسطة الذكاء الاصطناعي أكثر نجاحًا في التجارب السريرية المرحلة الأولى
然而، تشير البيانات الناشئة إلى أن النهج القائم على الذكاء الاصطناعي والحوسبة لا يعالج فقط هذه التحديات – بل يحول بشكل أساسي من khả năngنا في التنبؤ بنتائج ناجحة. المراحل الأولى من تطوير الأدوية الجديدة هي بالغة الأهمية – وهنا يمكن للذكاء الاصطناعي والكيمياء الحاسوبية أن يكون لهما أكبر تأثير.
يمكن أن تساعد هذه النهج القائمة على الذكاء الاصطناعي والحوسبة في العثور على علاجات جديدة فعالة تستهدف البروتينات المناسبة لمعالجة الأمراض في مرحلة اكتشاف وضبط الأولية، بدلاً من مرحلة لاحقة، وهو ما كان الحال دائمًا. التنبؤ الدقيق بالسمية مفيد بشكل خاص في المراحل الأولى من اكتشاف الأدوية، لأنه يمكن استبعاد الجزيئات التي من المحتمل أن تفشل في التجارب السريرية. العثور على أفضل الأدوية في وقت مبكر – ورفض تلك التي لن تعمل – يمكن أن يوفر عقدًا من الزمن من البحث المكلف ويزيد من فرصة أن يمر الدواء بمرحلة التجارب السريرية.
تشير الأبحاث الحديثة حول شركات التكنولوجيا الحيوية الأصلية القائمة على الذكاء الاصطناعي إلى اتجاهات مشجعة تشير إلى أن النهج القائم على الحوسبة يبدأ في التغلب على بعض التحديات الأكثر أساسية في اكتشاف الأدوية. على سبيل المثال، وجد تحليل نشر في مجلة Drug Discovery Today أن الجزيئات المكتشفة بواسطة الذكاء الاصطناعي أكثر نجاحًا بشكل كبير من المعدلات التاريخية للصناعة في المرحلة الأولى من التجارب السريرية – حيث تصل إلى نسبة نجاح تتراوح بين 80-90 في المائة في المرحلة الأولى، مقارنة بمعدل صناعي يتراوح بين 40-65 في المائة.
يُعتبر هذا النجاح في المراحل الأولية ذا أهمية كبيرة لأنه يشير إلى أن النهج القائم على الذكاء الاصطناعي يحل واحدًا من التحديات الأكثر أساسية في اكتشاف الأدوية: تصميم الجزيئات التي تمتلك الخصائص المتعددة اللازمة لتطوير الأدوية.
قوة التحسين المتعدد المعاملات
في قلب هذه التحولة تقع مهارة أن الذكاء الاصطناعي القائم على الكيمياء الحاسوبية أفضل وأسرع من البشر في القيام بها: التحسين المتعدد المعاملات، عملية موازنة خصائص متعددة لدواء محتمل في نفس الوقت – مثل القوة والسلامة والاختصاص وسمية الحاجز الدموي في الدماغ والعديد من الأخرى. هذا يجعلها أكثر دقة وأسرع وفعالية في تصميم المرشحين الأكثر وعدًا، حتى لو كانت هذه الخصائص تتعارض مع بعضها البعض.
النهج التقليدية في اكتشاف الأدوية يمكن أن تُحسّن معاملًا واحدًا في المرة الواحدة، مما يجعل من الصعب تحسين جانب واحد دون التأثير السلبي على جوانب أخرى. على سبيل المثال، دواء يُستخدم لمعالجة الأورام في الدماغ يحتاج إلى khảية عبور حاجز الدم في الدماغ حتى يتمكن من الوصول إلى الدماغ. ولكن دواء يعبر الحاجز بكفاءة قد لا يكون كافياً في اختياره للهدف، مما قد يقلل من فعالية الدواء أو يسبب آثار جانبية غير مرغوب فيها. قد تُحسّن النهج التقليدية أولاً من قضايا مثل سمية حاجز الدم في الدماغ ومن ثم تُعالج الخصائص الأخرى في وقت لاحق، مما قد يدفع المشاكل إلى الطريق بدلاً من معالجتها في بداية العملية.
في المقابل، يتغير النهج القائم على الأدوات الحاسوبية القوية بشكل أساسي في تصميم الأدوية. بدلاً من التحسين المتسلسل الذي قد يؤدي إلى فشل في المراحل اللاحقة، يُمكّن الذكاء الاصطناعي الباحثين من تغذية البيانات حول القيود المتعددة وطلب الخوارزميات العثور على جزيء معروف يعمل بشكل أفضل مع جميع تلك القيود – أو توليد جزيء جديد. باستخدام أدوات الذكاء الاصطناعي التوليدية وآلات التعلم المتقدمة لتطوير مرشحين دوائيين مثاليين بشكل أسرع وأكثر دقة، من خلال تحليل متزامن لمعاملات متعددة، يزيد من احتمالية النجاح ويتوقع في النهاية أن يؤدي إلى تطوير علاجات أكثر فعالية وموثوقية وآمنة للمرضى.
يمكن للأدوات الحاسوبية القائمة على الذكاء الاصطناعي أيضًا تعلم المتطلبات الفريدة للمجالات العلاجية المختلفة. يمكن للخوارزميات القائمة على الذكاء الاصطناعي دمج هذه المتطلبات الدقيقة لتوليد مرشحين دوائيين مخصصين لأمراض وآفات محددة بدلاً من مجرد удовление المعايير العامة لجزيئات دوائية.
على سبيل المثال، مركب يستهدف الأورام في الدماغ يواجه تحديات تحسين مختلفة عن تلك المُصممة لمعالجة التهاب المزمن المرتبط بأمراض مثل السكري وأمراض القلب والأوعية الدموية.
من أجل تمكين هذه النهج القائمة على الذكاء الاصطناعي بشكل حقيقي، يتمتّع قواعد بيانات ضخمة من الجزيئات بالضرورة، سواء لتجسير أو، وأهم من ذلك، لتدريب هذه النماذج. كلما كانت قاعدة البيانات أكبر، زادت المساحة الكيميائية المغطاة، مما يزيد من فرص النجاح. بدلاً من تجسير عشرات الآلاف (أو حتى بضع ملايين) من الجزيئات وانتقال بضع عشرات إلى التطوير، يمكن للباحثين الحاسوبيين تجسير عشرات البلايين من الجزيئات.
الخطوة التالية: دمج نهج الذكاء الاصطناعي في خطوط أنابيب التطوير
مع زيادة تعقيد هذه النهج، يُعتبر أحد التحديات الكبيرة القدرة على أداءها بمقياس كبير. لذلك، الخطوة التالية للاستفادة من الذكاء الاصطناعي في اكتشاف الأدوية هي دمج أدوات تُمكّن من توسيع عملية اكتشاف الأدوية من خلال استخدام وكلاء الذكاء الاصطناعي – أنظمة حاسوبية مستقلة يمكنها أداء مهام أو عمليات معقدة دون تدخل بشري دائم.
على سبيل المثال، يمكن استخدام الوكلاء لجمع وتحليل الكم الهائل والمتنامي من المعلومات واستبعاد مرشحي الأدوية الأقل صلة.
مرة واحدة يتم تدريب الوكلاء على العديد من المعاملات والقيود الكيميائية والمتغيرات الأخرى مثل مستويات السمية ومتطلبات إدارة الأغذية والأدوية، سيكونون في النهاية قادرين على تزويد الباحثين بالمرشحين الجزيئيين الرائدين لأي مرض.
تُعتبر تحدي صناعة الأدوية الآن ليس ما إذا كانت تتبنى تصميم الأدوية القائم على الذكاء الاصطناعي، بل كيف يمكن دمجه بفعالية في خطوط أنابيب التطوير الحالية. في حين أن التحديات لا تزال قائمة، تشير الأدلة المبكرة إلى أن الذكاء الاصطناعي والكيمياء الحاسوبية يحملان المفتاح لتحقيق علاجات أفضل يتم تطويرها بفعالية أكبر ووصولها إلى المزيد من المرضى بشكل أسرع من أي وقت مضى.
