الذكاء الاصطناعي واكتشاف الأدوية: ماذا يمكننا أن نفعل؟

ظهر الذكاء الاصطناعي في مجال اكتشاف الأدوية على مدى السنوات القليلة الماضية، تطور تصميم الأدوية بالذكاء الاصطناعي من سلسلة نظام الإدخال النصي المبسط للجزيئات (SMILES) إلى الشبكة العصبية للرسم البياني التي حسّنت دقة وفعالية اكتشاف تصميم الأدوية من جديد. لا يقتصر الذكاء الاصطناعي على تصميم الأدوية بناءً على نموذج التّعلم العميق فقط ولكن يمكنه أيضًا توظيف نماذج التعلم العميق للتنبؤ بالتصنيع الرجعي وخصائص الأدوية مثل الامتصاص والتوزيع والأيض والإخراج والسميّة (ADMET). يُعد الذكاء الاصطناعي وسيلةً واعدةً لإيجاد المزيد من المركبات المرشّحة ورفع معدل نجاح التجارب السريرية لها.

يعتقد البروفيسور كيفنج باي (Qifeng Bai) من جامعة لانجو في الصين أن الذكاء الاصطناعي سيُطور تصميم الأدوية ثلاثي الأبعاد من تصميم الأدوية ذات البعد الواحد أو ثنائية الأبعاد. طوّر فريق باي برنامج حاسوبي يسمى MolAICal يمكنه تصميم ربائط ثلاثية الأبعاد في تجويف المستقبلات المستهدفة للأمراض باستخدام الذكاء الاصطناعي والخوارزميات التقليدية. تطوّر الذكاء الاصطناعي للنمذجة الجُزيئية للأدوية مع تطوّر تقنياته فعلى سبيل المثال تُعد GNINA أداة ممتازة تعتمد على الشبكات العصبية التلافيفية (CNNs) -الشبكات العصبية المستخدمة أساسًا لتحليل الصور المرئية- للنمذجة الجُزيئية، علاوةً على ذلك تُعد محاكاة الديناميكا الجزيئية وسيلةً ديناميكيةً قادرةً على تحسين دقة تصميم الأدوية. مع أن محاكاة الديناميكا الجزيئية تُعد طريقةً أدق من تصميم الأدوية الثابت من البداية إلا أنها تُكلف وقتًا وموارد حاسوبية للتعامل مع مساحة هيكلية عالية الأبعاد لأنظمة محاكاة معقدة وكبيرة. يستطيع الذكاء الاصطناعي توفير طريقة فعالة واقتصادية للتعامل مع البيانات الضخمة لمحاكاة الديناميكا الجزيئية، ويؤدي دورًا مهمًا في التصميم الثابت والديناميكي للأدوية ثلاثية الأبعاد من البداية لمنفعتنا.

يعتقد الدكتور هوراشيو بيريز- سانشيز (Horacio Pérez-Sánchez) الذي يقود مجموعة أبحاث المعلوماتية الحيوية الهيكلية والحوسبة عالية الأداء (BIO-HPC) في جامعة سان أنطونيو الكاثوليكية (UCAM) في مورسيا أنه حتى لو أدركنا النتائج المبهرة المُحصلة في العقد الماضي باستخدام الشبكات العصبية والمعماريات الأخرى لتعلم الآلة فإنه يجب علينا أن نفهم أيضًا لماذا وكيف أُجريت هذه التنبؤات، ذلك هو الهدف الأساسي لطُرق التعلم الآلي القابل للتفسير (IML) التي اكتسبت شعبية في السنوات الخمس الماضية لتوفير مثل هذه المعلومات والقواعد التي تخص الأعمال الداخلية ومنطق مثل هذه «الصناديق السوداء» والتي قد تساعد كثيرًا في كل مجالات اكتشاف الأدوية.

أثبت برنامج AlphaFold2 أنه ذو فائدة عظيمة للذكاء الاصطناعي وعلم الأحياء والطب، فهو يُلهم الأكاديميين والصناعة لتطوير المزيد من أدوات الذكاء الاصطناعي مما يُقلل التكلفة والوقت في السوق. حققت عدة اتجاهات تقدمًا ومنها طريقة تبديل الهيكل الأساسي القائمة على الذكاء الاصطناعي لتخطي حماية براءة الاختراع للأدوية الجديدة، والتنبؤ بتركيب البروتين، والفحص الافتراضي، والكيمياء التوليدية، والتنبؤ بخصائص الأدوية (ADMET)، وتخطيط طرق التصنيع بناءً على نماذج التعلم العميق. تقود المشاكل التي واجهت اكتشاف الأدوية أيضًا تطوّر التّعلم العميق مثل التعلم العميق للرسم البياني، التّعلم العميق القائم على الفيزياء، والنماذج القائمة على الطاقة، وما إلى ذلك.

دخل الذكاء الاصطناعي بشكل عام تدريجيًا في كل مرحلة من مراحل اكتشاف الأدوية بما في ذلك الدراسات قبل السريرية والمراحل الأولى والثانية والثالثة والرابعة من التجارب السريرية، وما إلى ذلك. نعتقد أن الذكاء الاصطناعي سيسرّع تطوير الأدوية ويساعد البشرية على التغلب على المزيد من الأمراض.