طراحی دارو با کمک هوش مصنوعی به نقطه عطف خود رسید

طراحی دارو با کمک هوش مصنوعی

نتایج یک کارآزمایی بالینی بر روی یک دارو برای بیماری idiopathic pulmonary fibrosis، نشان‌دهنده ایمنی و علائمی از اثربخشی بالا است. این مطالعه گامی ملموس و مهم در مسیر ورود طراحی دارو با کمک هوش مصنوعی به عرصه بالینی محسوب می‌شود.

با وجود پیشرفت سریع در شناسایی اهداف، داروهای طراحی‌شده توسط هوش مصنوعی به‌ندرت فراتر از شبیه‌سازی رایانه‌ای یا مراحل پیش‌بالینی رفته‌اند. این مشکل به دلیل نبود اعتبارسنجی زیستی کافی برای اهداف پیشنهادی و اتکا به مدل‌هایی است که بیشتر برای وظایف جانبی مانند اتصال لیگاند یا بیان ژن بهینه شده‌اند. در این راستا، مطالعه‌ای از Xu و همکارانش در مجله Nature Medicine منتشر شده است، که در آن نتایج یک کارآزمایی بالینی بر روی یک هدف درمانی طراحس شده با کمک هوش مصنوعی را گزارش می‌دهد؛ دستاوردی که نقطه عطفی برای درمان فیبروز ریوی و همچنین برای حوزه طراحی دارو با کمک هوش مصنوعی به شمار می‌رود.

آشنایی با داروی طراحی شده

هوش مصنوعی مولد، پروتئین سیگنال‌دهنده کیناز Traf2 and Nck-interacting (TNIK) را به عنوان هدفی ضد فیبروتیک شناسایی کرد. داروی رنتوزرتیب (که قبلاً ISM001-055 نام داشت)، مهارکننده مولکولی کوچکی است که این هدف را نشانه گرفته است. هم هدف درمانی و هم ترکیب دارویی از طریق پلتفرم‌های زیست‌شناسی و شیمی مبتنی بر هوش مصنوعی شرکت Insilico Medicine کشف شدند. پروتئین TNIK که تنظیم‌کننده مسیرهای سیگنال‌دهی WNT و TGFβ محسوب می‌شود — مسیرهایی که نقش کلیدی در بروز فیبروز دارند — تاکنون به عنوان هدف درمانی در فیبروز ریوی ایدیوپاتیک (IPF) بررسی نشده بود. این بیماری پیشرونده ریوی با پیش‌آگهی ضعیف و گزینه‌های درمانی محدود شناخته می‌شود. درمان‌های استاندارد کنونی مانند پیرفنیدون و نینتدانیب می‌توانند تا حدی سرعت پیشرفت بیماری را کاهش دهند، اما قادر به ترمیم آسیب‌های ریوی نیستند.

ورود رنتوزرتیب، دارویی طراحی‌شده توسط هوش مصنوعی، به کارآزمایی‌های بالینی پس از تلاش‌هایی صورت می‌گیرد که هدف آن‌ها آزمایش عوامل ضد فیبروتیک جدید در IPF بوده است. از جمله این تلاش‌ها، می‌توان به داروی BI 1015550، یک مهارکننده انتخابی زیرگروه فسفودی‌استراز 4B اشاره کرد که در کارآزمایی فاز ۲ موفق به تثبیت ظرفیت حیاتی اجباری (FVC) — یکی از شاخص‌های کلیدی عملکرد ریه — شد.

با این حال، سایر عوامل در حال توسعه بالینی، مانند مهارکننده‌های اتوتاکسین و آنتاگونیست‌های اینتگرین، تاکنون اثربخشی پایداری از خود نشان نداده‌اند. در چنین شرایطی، ظهور یک داروی طراحی‌شده با استفاده از هوش مصنوعی که نشانه‌هایی اولیه از اثربخشی دارد، می‌تواند افق تازه و امیدوارکننده‌ای را در مسیر درمان IPF ترسیم کند.

کارآزمایی داروهای طراحی شده

کارآزمایی داروی رنتوزرتیب یکی از شفاف‌ترین نمونه‌ها از نقش مؤثر هوش مصنوعی در تعیین هدف درمانی و پیشرفت بالینی یک ترکیب دارویی است. همانطور که در دوره آموزش طراحی دارو با رویکرد بیوانفورماتیکی اشاره کردیم، با وجود پتانسیل بالا، چنین کارآزمایی‌هایی، با محدودیت‌هایی همراه است که در ادامه به آنها اشاره میکنیم:

• حجم نمونه کوچک
• محدود بودن جغرافیایی به یک کشور خاص
• مدت زمان درمان کوتاه
• و …

تفاوت داروی طراحی شده با نمونه‌های مشابه

یک پرسش کلیدی این است که چرا هوش مصنوعی توانست این داروی طراحی‌شده را وارد مرحله آزمایش بالینی کند، در حالی که بسیاری از داروهای مشابه موفق به این کار نشدند. Xu و همکارانش پلتفرمی طراحی کردند که اهداف درمانی را در بیماری‌های مختلف شناسایی می‌کند و آن‌ها را با استفاده از چارچوب «ماشین زمان» اعتبارسنجی می‌کند. در این روش، مدل‌ها را با داده‌های گذشته آموزش دادند و سپس توانایی آن‌ها را در پیش‌بینی اهدافی که بعداً صنعت داروسازی دنبال کرد، ارزیابی کردند.

این سیستم با استفاده از تکنیک‌های مکمل هوش مصنوعی، داده‌های چنداُمیکی، تحلیل‌های شبکه‌ای و متون علمی زیست‌پزشکی را با هم تلفیق کرد. نتیجه این ادغام، شناسایی TNIK به‌عنوان یک هدف درمانی بالقوه بود. در مرحله طراحی ترکیب دارویی، تمرکز سیستم هوش مصنوعی بر ناحیه «hinge» و پاکت‌های آلوستریک کمتر محافظت‌شده در TNIK قرار گرفت تا انتخاب‌پذیری ترکیب افزایش یابد. ترکیبات تولیدشده بر اساس ویژگی‌هایی همچون شباهت به دارو، تازگی و قابلیت سنتز، غربالگری شدند. پس از شناسایی مهارکننده‌های قوی TNIK، فرایند بهینه‌سازی بر ویژگی‌های فارماکوکینتیکی مانند جذب، توزیع، متابولیسم و دفع (ADME) متمرکز شد. این تلاش‌ها در نهایت به تولید رنتوزرتیب انجامید؛ ترکیبی با اثربخشی نانومولار و ویژگی‌های فارماکوکینتیکی مطلوب. برای اطلاعات بیشتر در مورد جزئیات فرایند بهینه‌سازی مطرح شده پیشنهاد میکنیم در دوره آموزش شبیه‌سازی دینامیک مولکولی و نرم‌افزار هایپرکم شرکت کنید.

اهمیت هوش مصنوعی در طراحی دارو

فراتر از کشف هدف درمانی و ترکیب دارویی، هوش مصنوعی به‌طور فزاینده‌ای در سراسر زنجیره توسعه دارو ادغام می‌شود. این رویکردها شامل یادگیری بازنمایی با استفاده از داده‌های زیستی، ترکیب داده‌های ژنومی، تصویربرداری و بالینی با مدل‌های مولد هوش مصنوعی، و همچنین توسعه عامل‌های هوشمند برای تصمیم‌گیری مرحله‌به‌مرحله و استدلال عمیق‌تر هستند. این روش‌ها طیفی از کاربردها را پشتیبانی می‌کنند، از جمله:

• پیش‌بینی عوارض جانبی دارو

• مدل‌سازی پاسخ‌های درمانی بیماران

• بهینه‌سازی شاخص درمانی و دوز دارو

• شناسایی ترکیب‌های دارویی مؤثر

• و نظارت بر ایمنی داروها پس از عرضه به بازار

با وجود گسترش هوش مصنوعی در تحقیقات زیست‌پزشکی، تأثیر واقعی آن در محیط بالینی هنوز عقب‌تر مانده است. موفقیت کارآزمایی فاز 2a رنتوزرتیب، نقطه عطفی در این مسیر محسوب می‌شود. این موفقیت نشان می‌دهد که هوش مصنوعی فقط برای تولید سریع‌تر و ارزان‌تر مولکول‌ها نیست. بلکه می‌تواند فرآیند کشف دارو را هدایت کند، ریسک توسعه را کاهش دهد و حتی روش‌های سنتی توسعه دارو را متحول سازد. اگر علاقه‌مند هستید که در مورد مقدمات هوش مصنوعی بیشتر بدانید، پیشنهاد میکنیم در دوره آموزش هوش‌مصنوعی شرکت کنید.