به گزارش ساوت چاینا مورنینگ پست، روش‌شناسی مبتنی بر هوش مصنوعی کشف دارو را سریع‌تر و کارآمدتر کرده است و مصداقی بر قابلیت امیدوارکننده فناوری‌های هوش مصنوعی مولد برای تغییر صنعت است.
شرکت Insilico که مسئول این پروژه است، یک شرکت بیوتکنولوژی جهانی با دفاتر و محققان در هنگ کنگ و سرزمین اصلی چین، اروپا، خاورمیانه و آمریکای شمالی است. اگرچه هوش مصنوعی مولد تنها در سال‌های اخیر به طور گسترده شناخته شده، اما این شرکت به مدت یک دهه در حال تحقیق در مورد کاربردهای آن برای تحقیقات زیست‌پزشکی بوده است. ادغام هوش مصنوعی، رباتیک و تحقیقات این امکان را به محققان می‌دهد تا درمان کاملی برای بیماری‌های بسیار پیچیده مانند آلزایمر و پارکینسون و بسیاری دیگر پیدا کنند.
در سال ۲۰۱۴، این شرکت شروع به آموزش شبکه‌های عصبی عمیق برای درک پیری انسان کرد و از قابلیت‌های هوش مصنوعی برای ثبت، ردیابی و تجزیه و تحلیل سلامت افراد در طول زندگی آنها استفاده کرد.
هوش مصنوعی با درک روند پیری می‌تواند زندگی میلیاردها انسان را تحت تاثیر قرار دهد، سپس شروع به درک زیست‌شناسی اساسی بیماری‌ها کند و سرعت آنها را کاهش دهد.
زیست شناسی انسان و هموستاز بدن (وضعیت تعادل بین سیستم‌های بدن) به مرور زمان تحلیل می‌رود. این چیزی است که در یک بیماری اتفاق می‌افتد. بیماری‌ها این روند را تسریع می‌کنند یا در اثر این فرآیند ایجاد می‌شوند. بنابراین بدون درک فرآیند اصلی پیری انسان، بیشتر بیماری‌ها درک نخواهد شد.
فیبروز ریوی ایدیوپاتیک (IPF) منجر به زخم مزمن بافت ریه می‌شود که تنفس را دشوار می‌کند. این بیماری ۵ میلیون نفر در سراسر جهان را تحت تاثیر قرار می‌دهد که اکثرا بالای ۶۰ سال سن دارند و میزان مرگ و میر بالایی دارد. میانگین بقای بیماران درمان نشده دو تا سه سال است. هیچ علت شناخته شده‌ای برای این بیماری وجود ندارد و هیچ درمانی نیز در دسترس نیست، اما برخی از درمان‌ها می‌توانند به کاهش علائم و کاهش پیشرفت آن کمک کنند. بسیاری از بیمارانی که استروئید دریافت می‌کنند از کاهش تدریجی عملکرد ریه رنج می‌برند و به نارسایی تنفسی دچار می‌شوند.
در مطالعه جدید، دانشمندان از هوش مصنوعی مولد برای یافتن یک هدف ضد فیبروتیک و بازدارنده آن استفاده کردند که به طور قابل توجهی جدول زمانی تولید داروی سنتی را که اغلب بیش از یک دهه طول می‌کشد، کوتاه کرد.
این پروژه تقریباً در ۱۸ ماه از کشف هدف تا مرحله پیش‌بالینی تکمیل شد و توانایی‌های کشف دارو مبتنی بر هوش مصنوعی را نشان می‌دهد.
فیبروز ارتباط نزدیکی با روند پیری دارد که باعث ایجاد التهاب مزمن و در نتیجه فیبروز می‌شود. با کمک یک رویکرد هوش مصنوعی پیش‌بینی‌کننده، پروتئینی که به اختصار TNIK نامیده می‌شود به عنوان هدف ضد فیبروتیک ظاهر شد. سپس این تیم از یک موتور شیمی مولد برای تولید حدود ۸۰ کاندید مولکول کوچک برای یافتن بازدارنده استفاده کرد.
این مطالعه شواهدی را ارائه می‌دهد که پلتفرم های هوش مصنوعی مولد راه حل‌هایی کارآمد برای تولید داروهای خاص با فعالیت ضد فیبروتیک قوی ارائه می‌دهند.
این مطالعه بر قدرت رویکردهای کشف دارو مبتنی بر هوش مصنوعی تاکید می‌کند که احتمالاً کشف دارو را متحول خواهد کرد.
فاز ۲a کارآزمایی بالینی همزمان در چین و ایالات متحده با ۶۰ بیمار انجام می‌شود و ایمنی، تحمل و فارماکوکینتیک آن – نحوه تعامل بدن با یک ماده در طول زمان – و همچنین اثربخشی اولیه آن بر عملکرد ریه را ارزیابی خواهد شد.
با ساده‌سازی مراحل اولیه کشف دارو، هوش مصنوعی ما را قادر می‌سازد تا با تمرکز بر منابع، سریع‌تر به مرحله آزمایش بالینی برسیم. اگرچه هوش مصنوعی این پتانسیل را دارد که کارهای کشف دارو در مراحل اولیه مانند شناسایی هدف و بهینه‌سازی سرنخ را تسریع بخشد اما مدت زمان آزمایش‌های بالینی را به طور قابل ملاحظه‌ای کاهش نمی‌دهد.
مراحل کارآزمایی بالینی هنوز به زمان زیادی برای تایید اخلاقی و قانونی، پذیرش بیمار، مدت زمان درمان و تجزیه و تحلیل داده‌ها نیاز دارد.
منبع: scmp
