نقش هوش مصنوعی در غلبه بر کمبود نیروی انسانی در درمان بیماریهای نادر
شرکتهای بیوتک مبتنی بر هوش مصنوعی در اجلاس جهانی قطر توضیح دادند چگونه اتوماسیون و ویرایش ژن شکاف نیروی کار را در کشف داروهای بیماریهای نادر پر میکنند.
هوش مصنوعی، نیروی اصلی در کشف دارو و درمان بیماریهای نادر
هزاران بیماری نادر همچنان بدون درمان باقی ماندهاند، علیرغم پیشرفتهای چشمگیر در زیستفناوری مانند ویرایش ژن و طراحی دارو. به گفته مدیران شرکتهایی چون Insilico Medicine و GenEditBio، عامل بازدارنده اصلی کمبود افراد متخصص برای پیشبرد این تحقیقات بوده است. در اجلاس جهانی قطر، این شرکتها تأکید کردند که هوش مصنوعی (AI) به عنوان یک ضریب افزایش قدرت، دانشمندان را قادر میسازد تا به مسائلی بپردازند که صنعت داروسازی مدتها از آنها غفلت کرده است.
الکس علیپر، مدیرعامل Insilico Medicine، هدف شرکتش را توسعه “ابر هوشمندی دارویی” اعلام کرد. این شرکت با راهاندازی “MMAI Gym” قصد دارد مدلهای زبان بزرگ عمومی مانند ChatGPT و Gemini را برای انجام وظایف تخصصی آموزش دهد. هدف نهایی ساخت یک مدل چندوجهی و چندوظیفهای است که بتواند به طور همزمان با دقتی فراتر از انسان، وظایف مختلف کشف دارو را حل کند. علیپر توضیح میدهد: «ما واقعاً به این فناوری نیاز داریم تا بهرهوری صنعت داروسازی خود را افزایش داده و کمبود نیروی کار و استعداد در این حوزه را برطرف کنیم؛ زیرا هنوز هزاران بیماری بدون درمان هستند.»
پلتفرم Insilico با جذب دادههای بیولوژیکی، شیمیایی و بالینی، فرضیههایی در مورد اهداف بیماری و مولکولهای کاندید تولید میکند. با خودکارسازی مراحلی که قبلاً نیازمند تعداد زیادی شیمیدان و زیستشناس بودند، آنها میتوانند فضاهای طراحی وسیعی را جستجو کرده و کاندیداهای درمانی با کیفیت بالا را با هزینه و زمان به شدت کاهش یافته معرفی کنند. به عنوان مثال، مدلهای هوش مصنوعی آنها برای یافتن کاربردهای مجدد داروهای موجود برای درمان ALS، یک اختلال عصبی نادر، استفاده شده است.
چالش تحویل دارو و ویرایش ژن
مسئله کمبود نیروی کار تنها به کشف دارو محدود نمیشود؛ بسیاری از بیماریها نیازمند مداخله در سطوح بنیادیتر بیولوژیکی هستند. GenEditBio در موج دوم ویرایش ژن CRISPR قرار دارد که بر تحویل دقیق عوامل ویرایش درون بدن (in vivo) متمرکز است. آنها با استفاده از یادگیری ماشین هوش مصنوعی، منابع طبیعی مانند ذرات شبهویروسی (ePDV) را برای شناسایی بهترین حاملها برای انتقال ابزارهای ژندرمانی به سلولهای خاص مورد استفاده قرار میدهند. پلتفرم NanoGalaxy آنها با تجزیه و تحلیل دادهها، تغییراتی در ساختار شیمیایی حاملها پیشبینی میکند تا از واکنشهای ایمنی جلوگیری شود و تحویل دارو به بافتهای هدف (مانند چشم یا کبد) کارآمد باشد.
- شرکتها بر استفاده از هوش مصنوعی برای حل مسئله کمبود استعداد انسانی در بخش بیوتکنولوژی تأکید دارند.
- Insilico Medicine در تلاش است تا با استفاده از مدلهای زبانی بزرگ آموزشدیده، کارایی کشف دارو را به صورت نمایی افزایش دهد.
- GenEditBio با بهرهگیری از AI برای طراحی حاملهای ژنی، فرآیند تحویل ویرایشهای ژنی in vivo را استانداردسازی میکند.
- یکی از موانع اصلی، نیاز به دادههای واقعی (ground truth data) بیشتر و متعادلتر از جمعیتهای مختلف جهان است.
