هوش مصنوعی در طراحی دارو

در مورد هوش مصنوعی در طراحی دارو بیشتر بدانید

طی چند سال گذشته، افزایش چشمگیری در دیجیتالی شدن داده ها در بخش داروسازی وجود داشته است. با این حال، این دیجیتالی شدن با چالش بررسی و بکارگیری آن دانش برای حل مشکلات پیچیده بالینی همراه است. این مورد انگیزه استفاده از هوش مصنوعی را ایجاد می کند، زیرا می تواند حجم زیادی از داده ها را با اتوماسیون پیشرفته مدیریت کند.

هوش مصنوعی یک سیستم مبتنی بر فناوری است که شامل ابزارها و شبکه های پیشرفته مختلفی است که می تواند هوش انسان را تقلید کند. در عین حال، تهدیدی برای جایگزینی کامل حضور فیزیکی انسان نیست. هوش مصنوعی از سیستم‌ها و نرم‌افزارهایی استفاده می‌کند که می‌توانند داده‌های ورودی را تفسیر کنند و از آن یاد بگیرند تا تصمیم‌گیری مستقل برای دستیابی به اهداف خاص بگیرند.

همانطور که در این بررسی توضیح داده شد، کاربردهای آن به طور مداوم در زمینه داروسازی گسترش می یابد. به گفته موسسه جهانی مک کینزی، پیشرفت های سریع در اتوماسیون هدایت شده با هوش مصنوعی احتمالا فرهنگ کاری جامعه را کاملاً تغییر خواهد داد.

هوش مصنوعی: شبکه ها و ابزارها

هوش مصنوعی شامل چندین حوزه مانند استدلال، بازنمایی دانش، جستجوی راه حل، و در میان آنها، پارادایم اساسی یادگیری ماشین (ML) می‌باشد. هوش مصنوعی یا ML از الگوریتم‌هایی استفاده می‌کند که می‌توانند الگوها را در مجموعه‌ای از داده‌هایی که بیشتر طبقه‌بندی شده‌اند، تشخیص دهند. یکی از زیرشاخه‌های ML یادگیری عمیق (DL) است که شبکه‌های عصبی مصنوعی (ANN) را درگیر می‌کند.

اینها مجموعه‌ای از عناصر محاسباتی پیچیده به هم پیوسته را شامل می‌شوند که شامل ادراکات مشابه نورون‌های بیولوژیکی انسان هستند که انتقال تکانه‌های الکتریکی در مغز انسان را تقلید می‌کنند. شبکه‌های عصبی مصنوعی مجموعه‌ای از گره‌ها را تشکیل می‌دهند که هر کدام ورودی جداگانه‌ای دریافت می‌کنند و در نهایت آنها را به صورت تکی یا چند پیوندی با استفاده از الگوریتم‌هایی برای حل مسائل به خروجی تبدیل می‌کنند.

شبکه‌های عصبی مصنوعی شامل انواع مختلفی از جمله شبکه‌های perceptron چندلایه (MLP)، شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های عصبی convolutional (CNN) هستند که از روش‌های آموزشی تحت نظارت یا بدون نظارت استفاده می‌کنند. شبکه MLP دارای کاربردهایی از جمله تشخیص الگو، کمک های بهینه سازی، شناسایی فرآیند و کنترل است که معمولا توسط رویه های آموزشی نظارت شده که فقط در یک جهت کار می کنند آموزش می بینند و می توانند به عنوان طبقه بندی کننده الگوی جهانی استفاده شوند.

RNN ها شبکه هایی با حلقه بسته هستند که دارای قابلیت به خاطر سپردن و ذخیره اطلاعات هستند، مانند ثابت های Boltzmann و شبکه های Hopfield. CNN ها مجموعه ای از سیستم های پویا با اتصالات محلی هستند که با توپولوژی آن مشخص می شود و در پردازش تصویر و ویدئو، مدل سازی سیستم های بیولوژیکی، پردازش عملکردهای پیچیده مغز، تشخیص الگو و پردازش سیگنال پیچیده کاربرد دارند.

چندین ابزار بر اساس شبکه هایی که معماری هسته سیستم های هوش مصنوعی را تشکیل می دهند، توسعه یافته اند. یکی از این ابزارها که با استفاده از فناوری هوش مصنوعی توسعه یافته است، ابررایانه واتسون به نام IBM می باشد که

برای کمک به تجزیه و تحلیل اطلاعات پزشکی بیمار و ارتباط آن با یک پایگاه داده وسیع طراحی شده است که منجر به پیشنهاد استراتژی های درمانی برای سرطان می شود. از این سیستم می توان برای تشخیص سریع بیماری ها نیز استفاده کرد که اولین بار با توانایی آن در تشخیص سرطان سینه نشان داده شد.

هوش مصنوعی در کشف دارو

فضای وسیع شیمیایی، شامل بیش از ۱۰۶۰ مولکول می باشد که توسعه تعداد زیادی مولکول دارو را تقویت می کند. با این حال، فقدان فن‌آوری‌های پیشرفته، فرآیند توسعه دارو را محدود می‌کند و آن را به کاری زمان‌بر و پرهزینه تبدیل می‌کند که می‌توان با استفاده از هوش مصنوعی به آن پرداخت. هوش مصنوعی می‌تواند ترکیبات را تشخیص دهد و اعتبارسنجی سریع‌تری از هدف دارو و بهینه‌سازی طراحی ساختار دارو ارائه کند.

نقش هوش مصنوعی (AI) در کشف دارو هوش مصنوعی می تواند به طور موثر در بخش های مختلف کشف دارو، از جمله طراحی دارو، سنتز شیمیایی، غربالگری دارو، پلی فارماکولوژی و استفاده مجدد از دارو استفاده شود. هوش مصنوعی یا AI علیرغم مزایایی که دارد، با چالش های مهم داده مانند مقیاس، رشد، تنوع و عدم قطعیت داده ها مواجه است. مجموعه داده‌های موجود برای توسعه دارو در شرکت‌های داروسازی می‌تواند شامل میلیون‌ها ترکیب باشد و ابزارهای سنتی ML ممکن است قادر به مقابله با این نوع داده‌ها نباشند.

مدل محاسباتی مبتنی بر رابطه کمی ساختار-فعالیت (QSAR) می تواند به سرعت تعداد زیادی از ترکیبات یا پارامترهای فیزیکوشیمیایی ساده مانند log P یا log D را پیش بینی کند.

با این حال، این مدل ها تا حدودی از پیش بینی خواص بیولوژیکی پیچیده مانند اثربخشی و اثرات نامطلوب ترکیبات دور هستند. علاوه بر این، مدل‌های مبتنی بر QSAR نیز با مشکلاتی مانند مجموعه‌های آموزشی کوچک، خطای داده‌های تجربی در مجموعه‌های آموزشی و عدم اعتبارسنجی آزمایشی مواجه هستند. برای غلبه بر این چالش‌ها، رویکردهای هوش مصنوعی اخیرا توسعه‌یافته، مانند DL و مطالعات مدل‌سازی مربوطه، می‌توانند برای ارزیابی ایمنی و اثربخشی مولکول‌های دارو بر اساس مدل‌سازی و تجزیه و تحلیل داده‌های بزرگ اجرا شوند.

در سال ۲۰۱۲، Merck از چالش QSAR ML برای مشاهده مزایای DL در فرآیند کشف دارو در صنعت داروسازی پشتیبانی کرد. مدل‌های DL پیش‌بینی قابل‌توجهی را در مقایسه با رویکردهای سنتی ML برای مجموعه داده‌های جذب، توزیع، متابولیسم، دفع و سمیت (ADMET) کاندیدهای دارو نشان دادند.

فضای شیمیایی مجازی بسیار بزرگ است و با نشان دادن توزیع مولکول ها و خواص آنها، نقشه جغرافیایی مولکول ها را پیشنهاد می کند. ایده پشت تصویرسازی فضای شیمیایی جمع آوری اطلاعات موقعیتی در مورد مولکول های درون فضا برای جستجوی ترکیبات زیست فعال است و بنابراین غربالگری مجازی (VS) به انتخاب مولکول های مناسب برای آزمایش های بیشتر کمک می کند. چندین فضای شیمیایی از جمله PubChem، ChemBank، DrugBank و ChemDB دسترسی آزاد دارند.

روش‌های متعدد in silico برای غربالگری مجازی از فضاهای شیمیایی مجازی همراه با رویکردهای مبتنی بر ساختار و لیگاند، تجزیه و تحلیل پروفایل بهتر، حذف سریع‌تر ترکیبات و انتخاب مولکول‌های دارو را با کاهش هزینه ارائه می‌دهد. الگوریتم‌های طراحی دارو، مانند ماتریس‌های coulomb و تشخیص اثر انگشت مولکولی، پروفایل‌های فیزیکی، شیمیایی و سم‌شناسی را برای انتخاب یک ترکیب در نظر می‌گیرند.

پارامترهای مختلفی مانند مدل‌های پیش‌بینی‌کننده، شباهت مولکول‌ها، فرآیند تولید مولکول و کاربرد روش‌های in silico را می‌توان برای پیش‌بینی ساختار شیمیایی مورد نظر یک ترکیب استفاده کرد.

ابزارهای مدل‌سازی QSAR برای شناسایی داروهای بالقوه مورد استفاده قرار گرفته‌اند و به رویکردهای QSAR مبتنی بر هوش مصنوعی تبدیل شده‌اند، مانند تجزیه و تحلیل تشخیص خطی (LDA)، ماشین‌های بردار پشتیبان (SVMs)، جنگل تصادفی (RF) و درخت‌های تصمیم، که می‌توانند برای سرعت بخشیدن به تجزیه و تحلیل مورد استفاده قرار بگیرند. هنگامی که توانایی شش الگوریتم هوش مصنوعی برای رتبه‌بندی ترکیبات ناشناس از نظر فعالیت بیولوژیکی با رویکردهای سنتی مقایسه شد، تفاوت آماری ناچیزی پیدا کرد.

با شرکت در کارآموزی طراحی دارو ژنیران دانش خود را در مورد هوش مصنوعی در طراحی دارو افزایش دهید:

دوره مهارت آموزی طراحی دارو