نقش هوش مصنوعی در رفع کمبود نیروی انسانی درمان بیماری‌های نادر

“`html

بیوتکنولوژی مدرن ابزارهایی برای ویرایش ژن و طراحی داروها دارد، اما هنوز هزاران بیماری نادر بدون درمان باقی مانده‌اند. به گفته مدیران شرکت‌های Insilico Medicine و GenEditBio، سال‌هاست که عامل اصلی پیشرفت، کمبود نیروی متخصص و باهوش برای ادامه این تلاش‌ها بوده است. آن‌ها می‌گویند حالا هوش مصنوعی به ابزاری تبدیل شده که می‌تواند ظرفیت دانشمندان را چند برابر کند و به آن‌ها اجازه دهد به سراغ مسائلی بروند که پیش از این در این صنعت نادیده گرفته شده بودند.

در هفته جاری و در همایش Web Summit قطر، الکس آلیپر، مدیرعامل و بنیان‌گذار شرکت Insilico، از هدف شرکت خود برای توسعه «فراهوش داروسازی» صحبت کرد. Insilico به تازگی «آزمایشگاه MMAI» خود را راه‌اندازی کرده که هدف آن آموزش مدل‌های زبانی بزرگ عمومی مثل ChatGPT و Gemini است تا مانند مدل‌های تخصصی عمل کنند.

هدف این است که مدلی چندقابلیتی و چندوظیفه‌ای ساخته شود که به گفته آلیپر، بتواند همزمان بسیاری از وظایف کشف دارو را با دقتی فراتر از انسان انجام دهد.

آلیپر در مصاحبه‌ای با منبع گفت: «ما واقعاً به این فناوری نیاز داریم تا بهره‌وری صنعت داروسازی را افزایش دهیم و به کمبود نیروی انسانی و استعداد در این حوزه رسیدگی کنیم، چون هنوز هزاران بیماری بدون درمان و حتی راه‌حل باقی مانده‌اند و هزاران اختلال نادر وجود دارند که مورد غفلت واقع شده‌اند. پس به سیستم‌هایی هوشمندتر نیاز داریم تا این مشکل را حل کنیم.»

پلتفرم Insilico داده‌های زیستی، شیمیایی و بالینی را دریافت می‌کند تا فرضیه‌هایی درباره اهداف بیماری و مولکول‌های کاندیدا تولید کند. این شرکت با خودکارسازی مراحل مختلف، که پیش‌تر به گروه بزرگی از شیمیدانان و زیست‌شناسان نیاز داشت، اعلام کرده می‌تواند انبوهی از فضاهای طراحی را غربالگری کند، کاندیداهای درمانی باکیفیت را پیشنهاد دهد و حتی داروهای موجود را برای استفاده‌های جدید معرفی کند – آن هم با صرفه‌جویی چشمگیر در هزینه و زمان.

به عنوان مثال، این شرکت اخیراً از مدل‌های هوش مصنوعی خود برای شناسایی امکان استفاده مجدد از داروهای موجود برای درمان ALS، یک اختلال نادر عصبی، استفاده کرده است.

اما گلوگاه نیروی کار تنها به کشف دارو محدود نمی‌شود. حتی وقتی هوش مصنوعی بتواند اهداف درمانی امیدوارکننده را شناسایی کند، بسیاری از بیماری‌ها نیازمند مداخلاتی در سطوح بنیادی‌تر زیستی هستند.

GenEditBio بخشی از «موج دوم» ویرایش ژن CRISPR است، که در آن فرآیند از ویرایش سلول‌ها در خارج بدن (ex vivo) به هدف‌گیری دقیق داخل بدن (in vivo) پیش می‌رود. هدف این شرکت، تبدیل ویرایش ژن به تزریقی است که مستقیماً در بافت آسیب‌دیده انجام می‌شود و فقط یک بار باید تکرار شود.

تین ژو، هم‌بنیان‌گذار و مدیرعامل GenEditBio، به خبرنگار گفت: «ما یک وسیله انتقال پروتئین مهندسی‌شده یا ePDV توسعه داده‌ایم که عملکردی مشابه ذرات ویروسی دارد.» او افزود: «ما با الهام از طبیعت و استفاده از روش‌های یادگیری ماشین هوش مصنوعی، منابع طبیعی را بررسی می‌کنیم تا دریابیم کدام نوع ویروس‌ها تمایل بیشتری به بافت‌های خاصی دارند.»

منابع طبیعی که ژو به آن اشاره می‌کند، کتابخانه عظیمی از هزاران نانوذره پلیمری غیر ویروسی و غیر لیپیدی متعلق به GenEditBio است؛ در اصل ابزارهایی برای انتقال مطمئن ابزارهای ویرایش ژن به سلول‌های خاص.

این شرکت اعلام کرده پلتفرم NanoGalaxy با استفاده از هوش مصنوعی داده‌ها را تجزیه و تحلیل می‌کند تا ارتباط میان ساختارهای شیمیایی و هدف‌گیری بافت‌های مشخص (مانند چشم، کبد یا سیستم عصبی) را شناسایی کند. هوش مصنوعی سپس پیش‌بینی می‌کند که کدام تغییرات در ساختار شیمیایی وسیله انتقال باعث می‌شود بار درمانی را بدون تحریک پاسخ ایمنی حمل کنند.

GenEditBio آزمایش‌های ePDV خود را به صورت درون‌بدنی (in vivo) و در آزمایشگاه‌های خیس انجام می‌دهد و نتایج هر بار برای بهبود دقت پیش‌بینی هوش مصنوعی در دور بعدی تغذیه می‌شود.

ژو تأکید می‌کند که انتقال کارآمد و مخصوص به بافت، لازمه اصلی ویرایش ژن درون‌بدنی است. او معتقد است رویکرد شرکتش هزینه تولید را کاهش داده و فرآیندی که پیش‌تر به سختی قابل استانداردسازی بود را ساده‌تر و مقرون‌به‌صرفه‌تر می‌کند.

او در ادامه گفت: «این شبیه دریافت دارویی آماده برای چندین بیمار است که باعث می‌شود داروها مقرون به صرفه‌تر و در دسترس‌تر برای بیماران سراسر جهان باشند.»

شرکت او اخیراً مجوز سازمان غذا و داروی آمریکا (FDA) را برای آغاز آزمایش‌های درمان CRISPR روی بیماران مبتلا به دیستروفی قرنیه دریافت کرده است.

مقابله با مشکل پایدار داده‌ها

مانند بسیاری از سیستم‌های مبتنی بر هوش مصنوعی، پیشرفت‌ها در زیست‌فناوری نیز سرانجام به گره داده‌ها می‌رسند. مدل‌سازی شرایط ویژه زیست‌شناسی انسان به داده‌های باکیفیت و بیشتری نیاز دارد که دستیابی به آنها فعلاً برای پژوهشگران ممکن نیست.

آلیپر گفت: «ما هنوز به داده‌های واقعی بیشتری از بیماران نیاز داریم. بیشتر حجم داده‌ها از جهان غرب تولید می‌شود و مجموعه داده‌ها به همین دلیل سوگیری دارند. فکر می‌کنم باید تلاش بیشتری در سطح محلی انجام شود تا مجموعه متعادلی از داده‌های واقعی داشته باشیم تا مدل‌هایمان بهتر کار کنند.»

آلیپر توضیح داد که آزمایشگاه‌های خودکار Insilico داده‌های زیستی چندلایه را در مقیاس وسیع و بدون دخالت انسان از نمونه‌های بیماری جمع‌آوری کرده و سپس این داده‌ها وارد پلتفرم هوش مصنوعی شرکت می‌شوند.

ژو معتقد است داده‌های مورد نیاز هوش مصنوعی، همان داده‌هایی است که در بدن انسان و در اثر هزاران سال تکامل وجود دارد. تنها بخش کوچکی از DNA به طور مستقیم برای پروتئین‌ها کدگذاری می‌کند، و باقی شبیه راهنمای رفتار ژن‌ها عمل می‌کند. این اطلاعات همواره برای انسان‌ها قابل تفسیر نبودند، اما اکنون با کمک مدل‌های هوش مصنوعی، از جمله پروژه‌هایی مانند AlphaGenome گوگل، بیشتر قابل دسترسی هستند.

GenEditBio رویکردی مشابه را در آزمایشگاه اجرا می‌کند و به جای آزمودن جداگانه هر نانوذره، هزاران مورد را به طور هم‌زمان مورد بررسی قرار می‌دهد. دیتاست‌های تولیدشده، که ژو آنها را «طلایی برای سیستم‌های هوش مصنوعی» می‌داند، برای آموزش مدل‌ها و همچنین همکاری‌های روزافزون با شرکای خارجی به کار می‌روند.

به گفته آلیپر، یکی از تلاش‌های مهم آینده، ساخت همزادهای دیجیتالی انسان است تا آزمایش‌های کلینیکی مجازی انجام شود. او می‌گوید این حوزه هنوز در مراحل اولیه قرار دارد.

آلیپر اضافه کرد: «در حال حاضر، سالانه حدود ۵۰ دارو توسط FDA تایید می‌شود و باید شاهد رشد این تعداد باشیم. با بالا رفتن میانگین سن جمعیت جهان، اختلالات مزمن بیشتر شده‌اند […] امید من این است که ظرف ۱۰ تا ۲۰ سال آینده، گزینه‌های درمانی بیشتری برای درمان‌های شخصی‌سازی‌شده بیماران خواهیم داشت.»

“`