شناسایی ۳۲ داروی نوین برای درمان سرطان به کمک هوش مصنوعی

، محققان در «دانشگاه کالیفرنیا سن‌دیگو» (UC San Diego) یک الگوریتم مبتنی بر یادگیری ماشین را برای شبیه‌سازی مراحل اولیه و زمان‌بر کشف دارو ایجاد کرده‌اند؛ این فناوری قادر است فرآیند مذکور را به طرز چشمگیری تسهیل کرده و امکان پیدایش درمان‌های نوین را فراهم آورد.

براساس اطلاعاتی که از وب‌سایت رسمی دانشگاه کالیفرنیا سن‌دیگو انتشار یافته، تشخیص داروهای تازه برای دستیابی به نتایج بهتر معمولاً مستلزم انجام هزاران آزمایش مستقل است، اما پلتفرم نوآورانه هوش مصنوعی می‌تواند نتایج مشابه را تنها در بخشی از زمان ارائه دهد. پژوهشگران از این فناوری پیشرفته برای ساخت ۳۲ داروی جدید جهت درمان سرطان بهره گرفته‌اند.

این تکنولوژی، بخشی از روند رو به رشد در حوزه علم داروسازی محسوب می‌شود که به کارگیری هوش مصنوعی را به منظور بهبود کشف و توسعه دارو تسهیل می‌کند.

«تری آیدکر»(Trey Ideker) استاد گروه پزشکی در دانشکده پزشکی دانشگاه کالیفرنیا سن‌دیگو و سرپرست این پژوهش با اشاره به تحولات اخیر گفت: سال‌ها پیش، واژه هوش مصنوعی در صنعت داروسازی بار منفی داشت، اما اکنون اوضاع به طور کامل تغییر کرده است زیرا استارت‌آپ‌های زیست‌فناوری بدون به کارگیری هوش مصنوعی به مشکل می‌خورند و برای جذب سرمایه ناچارند به آن روی آورند. کشف دارو به روش‌های مبتنی بر هوش انسانی به یکی از زمینه‌های بسیار پویای داروسازی تبدیل شده است، با این حال، ما فناوری خود را به صورت منبع باز عرضه خواهیم کرد تا برای هر کسی که تمایل به استفاده از آن دارد در دسترس باشد.

پلتفرم جدید با نام «POLYGON» در میان سایر پلتفرم‌های هوش مصنوعی در عرصه کشف دارو، ویژگی‌های خاصی دارد؛ چرا که قادر است مولکول‌هایی با اهداف مختلف را شناسایی کند. در مقابل، روش‌های کنونی کشف دارو عمدتاً بر درمان‌های تک‌هدف تمرکز دارند. داروهای چندهدف به دلیل پتانسیل بالای خود برای ارائه مزایای مشابه با درمان‌های ترکیبی و عوارض جانبی کمتر توجه پزشکان و محققان را جلب کرده است.

آیدکر بیان کرد: فرایند یافتن و توسعه یک داروی جدید ممکن است سال‌ها به طول بینجامد و هزینه‌های کلانی را در بر داشته باشد، به ویژه در مورد داروهای چندهدف. اکثر داروهای چندهدف که در حال حاضر در اختیار داریم، به شکل تصادفی کشف شده‌اند، اما این فناوری نوین می‌تواند شانسی بودن را از این معادله حذف کند و جا را برای تحولی جدید در پزشکی دقیق باز کند.

پژوهشگران در راستای توسعه POLYGON، آن را بر روی پایگاه داده‌ای با بیش از یک میلیون مولکول فعال زیستی تعلیم دادند که اطلاعات دقیقی راجع به خواص شیمیایی و تعاملات شناخته‌شده با اهداف پروتئینی ارائه می‌دهد. الگوریتم POLYGON با تجزیه و تحلیل الگوهای موجود در این پایگاه داده قادر است فرمول‌های شیمیایی منحصر به فرد برای داروهای جدید تولید کند که به احتمال زیاد ویژگی‌های خاصی از جمله توانایی مهار پروتئین‌های معین را دارا هستند.

آیدکر افزوده است: هم‌چنان که هوش مصنوعی امروزه در تولید نقاشی‌ها و تصاویر اصلی چون ترسیم چهره انسان‌ها بر اساس ویژگی‌های مطلوب از جمله سن یا جنسیت به خوبی عمل می‌کند، POLYGON نیز می‌تواند ترکیبات مولکولی اصلی را بر اساس خصوصیات شیمیایی موردنظر ایجاد نماید. به جای این‌که از هوش مصنوعی بخواهیم چهره‌ی ما چند ساله باشد، ما از آن می‌خواهیم که داروی آینده ما با پروتئین‌های مربوط به بیماری‌ها تعامل داشته باشد.

برای ارزیابی عملکرد POLYGON، محققان از آن برای تولید شمار زیادی از داروها استفاده کردند که به‌طور همزمان پروتئین‌های گوناگونی مرتبط با سرطان را هدف قرار می‌دهند. در نهایت، آنها ۳۲ مولکول را شناسایی کردند که قوی‌ترین تعاملات پیش‌بینی شده را با پروتئین‌های MEK1 و mTOR داشتند. این دو پروتئین سیگنال‌دهنده سلولی، اهداف امیدوارکننده‌ای برای درمان‌های ترکیبی سرطان محسوب می‌شوند. مهار همزمان این دو پروتئین برای از بین بردن سلول‌های سرطانی کفایت می‌کند، حتی اگر یکی از آنها به تنهایی مهار نشود.

پژوهشگران متوجه شدند داروهایی که تولید کرده‌اند، فعالیت قابل توجهی در برابر MEK1 و mTOR از خود نشان می‌دهند، اما واکنش‌های غیرهدف نسبت نسبت به سایر پروتئین‌ها اندک بوده است. این امر حاکی از آن است که یکی یا چند دارو شناسایی شده توسط POLYGON توانایی هدف قرار دادن هر دو پروتئین را به‌عنوان درمانی برای سرطان دارند و به شیمی‌دان‌ها گزینه‌های متعددی را برای تنظیم دقیق داروها ارائه می‌دهند.

آیدکر خاطرنشان کرد: حتی پس از تولید داروها، کارهای شیمیایی بیشتری باید انجام شود تا این گزینه‌های دارویی به یک درمان واحد مؤثر تبدیل شوند. ما نمی‌توانیم و نباید تلاش کنیم تا تخصص انسانی را از فرآیند کشف دارو حذف کنیم، بلکه باید برخی مراحل این روند را تسهیل کنیم.

با اینکه احتیاط‌های لازم صورت می‌گیرد، دانشمندان درباره توانایی‌های هوش مصنوعی در کشف داروها خوش‌بین هستند. آیدکر تصریح کرد: مشاهده این‌که چگونه این ایده‌ها در دهه آینده، چه در دانشگاه و چه در صنایع خصوصی به واقعیت تبدیل می‌شوند، بسیار هیجان‌انگیز خواهد بود. توانمندی‌های هوش مصنوعی عملاً بی‌پایان است.

این پژوهش در نشریه «Nature Communications» منتشر شد.