هوش مصنوعی در توسعه دارو: بازتعریف آینده پزشکی

هوش مصنوعی (AI) در حال ایجاد تحولی بنیادین در فرآیند پیچیده و زمان‌بر توسعه دارو است؛ فرآیندی که به طور سنتی بر تجربه متخصصان و روش آزمون و خطا متکی بوده است. توسعه دارو، تلاشی چندوجهی با هدف ساخت داروهای نوین برای درمان بیماری‌هاست، اما با چالش‌های بزرگی همچون هزینه‌های سرسام‌آور، زمان‌بندی طولانی و نرخ موفقیت پایین مواجه است. به طور متوسط، تولید یک داروی جدید می‌تواند حدود ۲.۶ میلیارد دلار هزینه در بر داشته باشد و بین ۱۲ تا ۱۵ سال به طول انجامد، در حالی که نرخ موفقیت آن حتی در مرحله کارآزمایی بالینی نیز کمتر از ۱۰٪ است. این دشواری‌ها از پیچیدگی بیماری‌ها، فرآیند توسعه چندمرحله‌ای و بغرنج، گستره عظیم فضای شیمیایی کاندیداهای دارویی بالقوه (که بین 10⁶⁰ تا 10¹⁰⁰ مولکول تخمین زده می‌شود) و الزامات نظارتی سختگیرانه نشأت می‌گیرد. هوش مصنوعی با توانایی خود در پردازش حجم عظیمی از داده‌ها، آماده است تا با سرعت بخشیدن و بهبود فرآیند توسعه دارو، این حوزه را به طور اساسی دگرگون کند.

پیشرفت‌های اخیر در هوش مصنوعی، از جمله در تشخیص تصویر، پردازش زبان طبیعی (NLP) و بینایی کامپیوتر، برای مقابله با این چالش‌های کلیدی بسیار امیدوارکننده هستند. مدل‌های زبانی بزرگ (LLMs) مانند ChatGPT و Gemini و هوش مصنوعی مولد مانند Sora، قابلیت‌هایی را به نمایش گذاشته‌اند که در برخی موارد، از هوش انسانی پیشی گرفته‌اند. در نتیجه، شرکت‌های داروسازی، شرکت‌های بیوتکنولوژی و مؤسسات تحقیقاتی به طور فزاینده‌ای در حال به‌کارگیری رویکردهای مبتنی بر هوش مصنوعی برای غلبه بر موانع ذاتی روش‌های سنتی هستند.

کاربردهای هوش مصنوعی در خط لوله توسعه دارو

فناوری‌های هوش مصنوعی تقریباً در تمام مراحل حیاتی فرآیند توسعه دارو کاربرد دارند. این مراحل شامل شناسایی هدف، کشف دارو، مطالعات پیش‌بالینی، کارآزمایی‌های بالینی، کسب تأییدیه نظارتی و نظارت پس از عرضه به بازار است.

شناسایی هدف

این مرحله، فرآیندی حیاتی در کشف دارو است که بر شناسایی اهداف مولکول‌های کوچک مانند پروتئین‌ها یا اسیدهای نوکلئیک تمرکز دارد. روش‌های سنتی اغلب زمان‌بر، پرزحمت و با نرخ شکست بالایی همراه هستند.

• هوش مصنوعی با فراهم آوردن امکان تحلیل مجموعه داده‌های عظیم در شبکه‌های پیچیده بیولوژیکی، این حوزه را متحول می‌کند. این فناوری با ساخت شبکه‌های داده چند-اُمیکس (multi-omics)، شناسایی الگوهای مولکولی مرتبط با بیماری و روابط علی و معلولی را تسهیل می‌بخشد.
• برای مثال، تکنیک‌های NLP، مانند تعبیه‌سازی word2vec، می‌توانند عملکردهای ژن را به فضایی با ابعاد بالا نگاشت کرده و علی‌رغم پراکندگی داده‌ها، حساسیت شناسایی هدف را بهبود دهند.
• ادغام داده‌های چند-اُمیکس (مانند ژنومیکس، ترانسکریپتومیکس، پروتئومیکس) و متون علمی در گراف‌های دانش، به هوش مصنوعی اجازه می‌دهد تا روابط میان ژن‌ها و مسیرهای بیماری را تشخیص دهد. LLMهای زیست‌پزشکی که عمیقاً با شبکه‌های بیولوژیکی یا گراف‌های دانش یکپارچه شده‌اند، روش‌های کارآمدی برای پیوند دادن بیماری‌ها، ژن‌ها و فرآیندهای بیولوژیکی فراهم می‌کنند.
• داده‌های دنیای واقعی (مانند سوابق پزشکی، پرونده‌های الکترونیک سلامت (EHRs) و سوابق بیمه) نیز اطلاعات زمینه‌ای ضروری برای درک بیماری‌های پیچیده و تسهیل کشف هدف را ارائه می‌دهند. علی‌رغم چالش‌هایی مانند متن‌های بدون ساختار، عدم استانداردسازی و وجود سوگیری‌ها، داده‌های نویزی دنیای واقعی می‌توانند مدل‌های مؤثری را برای کشف ژن و اهداف دارویی کاندیدا آموزش دهند.

کشف دارو

هوش مصنوعی به عنوان یک نیروی دگرگون‌کننده در کشف دارو ظهور کرده و ضمن متحول کردن روش‌های سنتی، کارایی را در مراحل گوناگون افزایش داده است.

• غربالگری مجازی (Virtual Screening): این یک استراتژی حیاتی برای شناسایی کارآمد ترکیبات پیشرو یا کاندیداهای دارویی است. پیشرفت‌های هوش مصنوعی، غربالگری مجازی سریع کتابخانه‌های بسیار بزرگ را ممکن می‌سازد. مدل‌های داکینگ گیرنده-لیگاند (receptor-ligand docking) مبتنی بر هوش مصنوعی می‌توانند تغییرات فضایی لیگاند را پیش‌بینی کرده و مختصات اتمی پیچیده را تولید کنند. مدل‌های یادگیری عمیق ممکن است با پردازش همزمان داده‌های ساختاری سه‌بعدی و غیرساختاری برای پیش‌بینی تمایل اتصال (affinity)، عملکرد بهتری نسبت به توابع امتیازدهی سنتی داشته باشند. برای بیماری‌هایی که فاقد اهداف مشخص هستند، غربالگری مجازی مبتنی بر فنوتیپ بسیار مهم است و هوش مصنوعی برای شناسایی ترکیباتی که باعث پیری در سلول‌های سرطانی می‌شوند یا برای کشف آنتی‌بیوتیک‌ها استفاده شده است.
• طراحی از نو (De Novo Design): این فرآیند شامل ایجاد خودکار ساختارهای شیمیایی جدید برای برآورده کردن بهینه ویژگی‌های مولکولی مورد نظر است و فراتر از روش‌های دستی و سنتی عمل می‌کند. هوش مصنوعی، به ویژه یادگیری عمیق، امکان شناسایی خودکار ساختارهای نوینی را فراهم می‌کند که الزامات خاصی را برآورده می‌کنند و با موفقیت در توسعه مهارکننده‌های مولکول کوچک، PROTACها، پپتیدها و پروتئین‌های عملکردی به کار گرفته شده است. تولید مولکولی محور اصلی طراحی از نو مبتنی بر یادگیری عمیق است که معمولاً از مدل‌های زبانی شیمیایی یا مبتنی بر گراف استفاده می‌کند. مدل‌های زبانی شیمیایی وظایف تولید مولکول را به تولید توالی (مانند رشته‌های SMILES) تبدیل می‌کنند، در حالی که مدل‌های مبتنی بر گراف، مولکول‌ها را به صورت گراف نمایش می‌دهند. سازوکارهای بهینه‌سازی که اغلب از توابع امتیازدهی و یادگیری تقویتی برای بهینه‌سازی تکراری استفاده می‌کنند، طراحی را به سمت ویژگی‌های هدف هدایت می‌کنند. محدودیت‌هایی مانند بیان ژن مرتبط با بیماری، فارماکوفورها، توالی‌های پروتئینی و تمایل اتصال نیز می‌توانند مدل‌ها را به سمت مولکول‌های مطلوب سوق دهند.
• پیش‌بینی‌های ADMET (جذب، توزیع، متابولیسم، دفع و سمیت): خواص ADMET برای اثربخشی و ایمنی دارو حیاتی هستند. اگرچه ارزیابی‌های آزمایشگاهی (wet-lab) الزامی است، اما پیش‌بینی‌های مبتنی بر هوش مصنوعی در مراحل اولیه می‌تواند به کاهش نرخ شکست کمک کند. یادگیری ماشین سنتی از ویژگی‌های از پیش تعریف‌شده مانند اثر انگشت مولکولی استفاده می‌کند، اما امروزه یادگیری عمیق با استخراج خودکار ویژگی‌های معنادار از داده‌های ورودی ساده، پیش‌بینی ADMET را هدایت می‌کند.
• برنامه‌ریزی و اتوماسیون سنتز: سنتز شیمیایی یکی از گلوگاه‌های اصلی در کشف داروهای مولکول کوچک است. برنامه‌ریزی سنتز به کمک کامپیوتر (CASP) به شیمیدانان در تعیین مسیرهای واکنش از طریق تحلیل سنتز معکوس (retrosynthesis) کمک می‌کند. مدل‌های یادگیری عمیق، برنامه‌ریزی سنتز را برای مولکول‌های کوچک مصنوعی و محصولات طبیعی بهبود بخشیده‌اند.

مطالعات پیش‌بالینی و بالینی

هوش مصنوعی با تجزیه و تحلیل داده‌های بیماران، از جمله اطلاعات ژنتیکی، تاریخچه بالینی و عوامل سبک زندگی، به طور فزاینده‌ای جنبه‌های مختلف کارآزمایی‌های بالینی را هدایت می‌کند.

• کشف نشانگرهای زیستی (Biomarkers): این نشانگرها به طور عینی فرآیندهای طبیعی را در برابر فرآیندهای پاتولوژیک و همچنین پاسخ به درمان را اندازه‌گیری و ارزیابی می‌کنند. مدل‌های هوش مصنوعی در شناسایی نشانگرهای تشخیصی و پیش‌آگهی عملکردی عالی دارند و بینش‌های پیش‌بینی‌کننده و مراجع تشخیصی برای پاتولوژی بالینی ارائه می‌دهند.
• پیش‌بینی خواص فارماکومتریک: ابزارهای هوش مصنوعی و داده‌های بزرگ به طور مؤثری مسائل فارماکومتریک را، به ویژه در تحلیل “زمان تا وقوع رویداد” و مدیریت داده‌های با ابعاد بالا، حل می‌کنند. هوش مصنوعی با بهینه‌سازی روابط دوز-پاسخ و بهبود پروفایل ایمنی داروها، از درمان شخصی‌سازی شده پشتیبانی می‌کند.
• بازکاربری دارو (Drug Repurposing): هوش مصنوعی با استفاده از مجموعه داده‌های زیست‌پزشکی عظیم برای یافتن کاربردهای جدید برای داروهای موجود و تأیید شده، به غنی‌سازی سبد دارویی کمک کرده و در نتیجه، توسعه درمان‌های بهینه را سرعت می‌بخشد.
• بهبود کارایی کارآزمایی و پیش‌بینی نتایج: کارآزمایی‌های بالینی اغلب گران، زمان‌بر و ناکارآمد هستند. هوش مصنوعی پتانسیل بهینه‌سازی طراحی کارآزمایی، تسهیل جذب بیمار و پیش‌بینی پاسخ بیماران را دارد که این امر به بهبود نرخ موفقیت و کاهش هزینه‌ها و زمان‌بندی منجر می‌شود. استفاده از دوقلوهای دیجیتال (کپی‌های مجازی شرکت‌کنندگان) می‌تواند با ایفای نقش به عنوان گروه کنترل، چالش یافتن بیماران مناسب را کاهش دهد.

نظارت پس از عرضه به بازار

فراتر از کارآزمایی‌های بالینی، هوش مصنوعی می‌تواند داده‌های نظارت پس از عرضه به بازار را برای پشتیبانی از ایمنی، اثربخشی و کیفیت داروها تجزیه و تحلیل کند. این امر به تشخیص زودهنگام مسائل ایمنی، گزارش‌دهی خودکار عوارض جانبی، نظارت مستمر بر ایمنی و ارزیابی نسبت سود به ریسک دارو کمک می‌کند.

چالش‌های پیش روی توسعه داروی مبتنی بر هوش مصنوعی

علی‌رغم پیشرفت‌های چشمگیر، هنوز هیچ دارویی که توسط هوش مصنوعی توسعه یافته باشد، از فاز دوم کارآزمایی‌ها فراتر نرفته است؛ امری که ماهیت پیچیده توسعه دارو را برجسته می‌سازد.

• کمبود و کیفیت داده‌ها: چالش اصلی، کمبود داده‌های آموزشی باکیفیت به دلیل هزینه‌های بالای گردآوری، قوانین حریم خصوصی و اشتراک‌گذاری محدود داده‌ها، به ویژه برای بیماری‌های نادر یا اهداف دارویی جدید است.
• ایجاد تعادل میان اهداف چندگانه: طراحی دارو نیازمند ایجاد تعادل بین اهداف متعدد برای موفقیت است. تحقیقات فعلی اغلب بیش از حد بر فضای شیمیایی تمرکز کرده و عواملی مانند قابلیت دارویی بودن و قابلیت سنتز را نادیده می‌گیرند.
• نمایش مولکولی و قابلیت سنتز: اگرچه روش‌های سنتی مانند SMILES و گراف‌ها برای نمایش مولکولی در مدل‌های مولد رایج هستند، اما به تصویر کشیدن پیچیدگی‌ها و تضمین قابلیت سنتز مولکول‌ها دشوار است.
• اهداف “غیرقابل درمان با دارو” (“Undruggable”): هوش مصنوعی در برابر اهدافی که فاقد جایگاه اتصال مناسب هستند، مانند برخی پروتئین‌های بی‌ساختار، با چالش مواجه است.
• چالش‌های فنی: بسیاری از الگوریتم‌های هوش مصنوعی مورد استفاده در توسعه دارو، برای حوزه‌های دیگری طراحی شده‌اند و ممکن است کاملاً مناسب نباشند. نیاز به منابع محاسباتی بالا نیز، به ویژه برای تیم‌های تحقیقاتی کوچک‌تر، موانعی ایجاد می‌کند.
• کمبود نیروی متخصص و ریسک سرمایه‌گذاری: توسعه داروی مبتنی بر هوش مصنوعی با کمبود نیروی متخصص و ریسک بالای سرمایه‌گذاری به دلیل چرخه‌های طولانی، نرخ موفقیت پایین و بازده نامشخص روبرو است.
• تفسیرپذیری و تعمیم‌پذیری: تفسیرپذیری همچنان یک چالش بزرگ است. مدل‌های هوش مصنوعی همچنین با مشکلاتی در زمینه ناهمگونی داده‌ها روبرو هستند که کارایی انتقال آن‌ها به کارآزمایی‌های بالینی را کاهش می‌دهد.

بیشتر بخوانید؛ کشف چرایی: نقش حیاتی هوش مصنوعی توضیح‌پذیر (XAI)

مسیرهای آینده برای هوش مصنوعی در توسعه دارو

برای تحقق کامل پتانسیل هوش مصنوعی، تلاش‌های آینده باید بر چندین جهت‌گیری کلیدی متمرکز شوند:

• مقابله با کمبود داده: توسعه استراتژی‌های نوین برای اشتراک‌گذاری داده، تدوین استانداردهای داده و ایجاد روش‌های هوش مصنوعی “پراکنده” (sparse) که بتوانند از داده‌های محدود، پیش‌بینی‌های دقیقی تولید کنند، امری حیاتی است.
• رویکردهای تلفیقی چندوجهی (Multimodal): ایجاد رویکردهای تلفیقی چندوجهی مؤثر می‌تواند بینش‌های ارزشمندی را از منابع و قالب‌های گوناگون استخراج کرده و به پیشرفت توسعه دارو کمک کند.
• ادغام قوانین فیزیکی: ترکیب قوانین فیزیکی (اصول اولیه) با الگوریتم‌های هوش مصنوعی داده‌محورِ فعلی، می‌تواند به کاهش وابستگی به داده و بهبود دقت و تعمیم‌پذیری کمک کند.
• انطباق با مقررات و تفسیرپذیری: توسعه مدل‌های هوش مصنوعی که نه تنها دقیق، بلکه قابل تفسیر نیز باشند، برای جلب اعتماد توسعه‌دهندگان دارو، نهادهای نظارتی، پزشکان و بیماران و تضمین شفافیت در تصمیم‌گیری‌ها ضروری است.
• مدل‌سازی و شبیه‌سازی پزشکی پیشرفته: در دهه‌های آینده، نقش هوش مصنوعی در مدل‌سازی و شبیه‌سازی پزشکی تحول‌آفرین خواهد بود و به ایجاد شبیه‌سازی‌های مجازی دقیق‌تر از بدن انسان منجر خواهد شد.

در نهایت، فناوری‌های هوش مصنوعی با تحلیل داده‌های پیچیده و کمک به تصمیم‌گیری سریع، در حال بهبود چشمگیر کارایی و اثربخشی هزینه در توسعه دارو هستند. با این حال، هوش مصنوعی قادر مطلق نیست و برای جایگزینی کامل نبوغ و اختیار انسان طراحی نشده است. داروها و خواصی که توسط هوش مصنوعی طراحی و پیش‌بینی می‌شوند، همچنان نیازمند اعتبارسنجی از طریق آزمایش‌های عملی هستند و نقش انسان در هدایت تحقیقات و کاربردهای هوش مصنوعی همچنان حیاتی باقی خواهد ماند. علی‌رغم چالش‌های موجود، پیشرفت‌های مستمر و در دسترس قرار گرفتن مدل‌های بزرگی مانند AlphaFold3، آینده‌ای محتاطانه اما خوش‌بینانه را برای نقش هوش مصنوعی در تسریع روند توسعه دارو و خدمت به سلامت بشر نوید می‌دهد.

محتوای این مطلب برگرفته از مقاله Zhang و همکاران منتشرشده در سال 2025 می‌باشد.