هوش مصنوعی در داروسازی | کمک به علم برای یافتن سریع‌تر داروها

کشف یک داروی جدید معمولاً بیش از یک دهه طول می‌کشد و میلیاردها دلار هزینه دارد و بسیاری از نامزدها در طول آزمایش‌ها شکست می‌خورند. صنعت داروسازی هر ساله حدود ۵۰ تا ۶۰ میلیارد دلار برای آزمایش‌های ناموفق داروهای سرطانی هزینه می‌کند. با این حال، هوش مصنوعی می‌تواند زمان یافتن یک ترکیب اصلی را به طور قابل توجهی به هفته‌ها یا حتی روزها کاهش دهد.

اولین قدم در کشف دارو، شناسایی یک ترکیب "موفق" یا اصلی است که هوش مصنوعی اکنون به طور مؤثر آن را حل کرده است. به طور سنتی، این شامل غربالگری هزاران ترکیب شیمیایی در طول دو سال برای یافتن ترکیباتی است که با پروتئین هدف تعامل دارند. هوش مصنوعی می‌تواند با پیش‌بینی تعاملات با استفاده از داده‌های کتابخانه‌های شیمیایی گسترده، این کار را تسریع کند. محققان اکنون می‌توانند به لطف توانایی هوش مصنوعی در یادگیری از داده‌های ساختاری موجود، به سرعت میلیون‌ها نامزد را غربالگری کنند و بر روی امیدوارکننده‌ترین آنها تمرکز کنند.

هوش مصنوعی اکنون به اندازه روش‌های سنتی در پیش‌بینی ساختارهای پروتئین و نحوه تعامل مولکول‌های کوچک با آنها، به ویژه برای پروتئین‌هایی که ساختارهای سه‌بعدی پایدار دارند، مؤثر است. با این حال، حدود یک سوم پروتئین‌های انسانی «ذاتاً بی‌نظم» هستند و ساختارهای ثابتی ندارند، که مطالعه آنها را دشوار می‌کند و قبلاً به عنوان «غیرقابل درمان» دیده می‌شدند. وندروسکولو توضیح می‌دهد که کشف داروهای سنتی به مفهوم «قفل و کلید» متکی است، که در مورد این پروتئین‌های فاقد شکل‌های مشخص صدق نمی‌کند.

تیم وندروسکولو یک روش اتصال جدید با استفاده از هوش مصنوعی پیدا کرده است که بتا آمیلوئید، پروتئینی مرتبط با آلزایمر را هدف قرار می‌دهد. آنها پنج ترکیب را شناسایی کردند که این پروتئین‌های بی‌نظم را بدون نیاز به یک محفظه تثبیت می‌کنند، که نشان دهنده درک جدید و پیچیده‌ای از تعاملات پروتئین است.

آرایش ژنتیکی تومورهای سرطان ریه بین افراد سیگاری و غیرسیگاری متفاوت است. افراد غیرسیگاری جهش‌های زیادی در پروتئین‌های گیرنده کیناز دارند. هوش مصنوعی به دلیل داده‌های ناکافی برای آموزش، در پیش‌بینی سمیت دارویی در انسان با مشکل مواجه است.

هوش مصنوعی توسط محققان برای ایجاد آنتی‌بیوتیک‌های جدید استفاده می‌شود، زیرا بسیاری از آنتی‌بیوتیک‌های فعلی در برابر باکتری‌های مقاوم بی‌اثر هستند. آنها به دنبال آنتی‌بیوتیک‌های جدید در مکان‌های غیرمنتظره یا طراحی مولکول‌های جدیدی هستند که باکتری‌ها ممکن است کمتر در برابر آنها مقاومت کنند. سزار د لا فوئنته از دانشگاه پنسیلوانیا از هوش مصنوعی برای بررسی پایگاه‌های داده ژنتیکی برای مولکول‌های ضدمیکروبی استفاده کرده است. در سال ۲۰۲۳، تیم او پپتیدی از نئاندرتال‌ها پیدا کرد که علیه عفونت‌های باکتریایی در موش‌ها عمل می‌کند. در سال ۲۰۲۴، آنها کاندیداهای آنتی‌بیوتیکی را از موجودات منقرض شده کشف کردند. جیمز کالینز از MIT در سال ۲۰۲۰ هالیسین را پیدا کرد که باکتری‌ها را به روشی منحصر به فرد هدف قرار می‌دهد و در سال ۲۰۲۵، هوش مصنوعی به توسعه آنتی‌بیوتیک‌های جدید برای سویه‌های مقاوم مانند MRSA کمک کرد. محققان معتقد هستند، هوش مصنوعی کشف آنتی‌بیوتیک را تا حد زیادی افزایش خواهد داد.

هوش مصنوعی با کمک به یافتن داروهای جدید در کشف دارو اهمیت دارد، اما مراحل حیاتی دیگری نیز وجود دارد که در این فرآیند نقش دارند. بسیاری از داروها به دلیل سمیت، اثربخشی یا مشکلات دوز با شکست مواجه می‌شوند که می‌تواند منجر به نرخ بالای شکست شود. شرکت‌هایی مانند Lantern Pharma از هوش مصنوعی برای تجزیه و تحلیل داده‌های آزمایش‌های بالینی و درک اینکه چرا برخی از سرطان‌ها به درمان‌ها بهتر پاسخ می‌دهند، استفاده می‌کنند. آنها  LP-300دارویی که قبلاً شکست خورده بود، را مطالعه کردند و دریافتند که می‌تواند به دلیل تفاوت‌های ژنتیکی، افراد غیرسیگاری مبتلا به سرطان‌های ریه خاص را به طور مؤثر درمان کند.

Lantern Pharma قصد دارد با شناسایی گروه‌های بیمار مناسب برای آزمایش‌ها و پیش‌بینی خواص دارو، از هوش مصنوعی برای سرعت بخشیدن به کشف دارو استفاده کند. با این حال، برخی از دانشمندان محتاط هستند و خاطرنشان می‌کنند که بسیاری از داروهای مبتنی بر هوش مصنوعی در آزمایش‌های مرحله آخر موفق نبوده‌اند و اثربخشی هوش مصنوعی به داشتن داده‌های با کیفیت، بستگی دارد. منتقدان به محدودیت‌هایی در پیش‌بینی سمیت دارو به دلیل داده‌های آموزشی ناکافی اشاره می‌کنند.

منابع:

1. JAMA Network Open, 2023; DOI: 10.1001/jamanetworkopen.2023.24977
2. Cell Host Microbe, 2023; DOI: 10.1016/j.chom.2023.07.001
3. Nature Biomed. Eng, 2024; DOI: 10.1038/s41551-024-01201-x
4. Nature Microbiology, 2025; DOI: 10.1038/s41564-025-02061-0
5. Cell, 2020; DOI: 10.1016/j.cell.2020.01.021
6. Cell, 2025; DOI: 10.1016/j.cell.2025.07.033