پلتفرم‌های هوش مصنوعی مولد، از ChatGPT فارسی گرفته تا Midjourney، در سال‌های اخیر خبرساز شدند. اما هوش مصنوعی مولد (Generative AI) می‌تواند بیش از ایجاد تصاویر به هم پیوسته و یا نوشتن ایمیل به ما کمک کند. این تکنولوژی پتانسیل این را دارد که در زمینه های دیگری مانند پزشکی نقش آفرین باشد. به طور مثال داروهای جدیدی را برای درمان بیماری‌ها به وجود آورد. استفاده از چت جی پی تی در داروسازی نیز به همین امر ارتباط دارد.
“پیش از خواندن ادامه مطلب، بهتر است بدانید ChatGPT فارسی می‌تواند به سوالات شما در زمینه داروهای مختلف پاسخ دهد. می توانید با کلیک بر روی این لینک شروع کنید. توجه داشته باشید که مصرف دارو باید همواره تحت نظر پزشک متخصص انجام شود و ابزارهای هوش مصنوعی مانند چت جی پی تی فارسی ممکن است پاسخ های اشتباه تولید کنند. از این ابزارها تنها برای سرگرمی استفاده نمایید.“
پیشینه و ایده اولیه استفاده از هوش مصنوعی در داروسازی
امروزه، دانشمندان از فناوری پیشرفته برای طراحی ساخت ترکیبات دارویی مصنوعی با ویژگی‌ها و خصوصیات مناسب استفاده می‌کنند که به عنوان « De Novo Drug Design» نیز شناخته میشود. با این حال، روش‌های فعلی چالش‌برانگیز، زمان‌بر و هزینه‌بر هستند.
گروهی از دانشمندان در دانشکده علوم و فناوری اشمید از دانشگاه چپمن در کالیفرنیا، با توجه به محبوبیت چت جی پی تی و با طرح این پرسش که آیا چنین رویکردی می‌تواند فرآیند طراحی دارو را سرعت بخشد، تصمیم به ایجاد مدل هوش مصنوعی مولد خود گرفتند. نتایج این امر در مقاله جدیدی با عنوان «طراحی داروی نوظهور با استفاده از ترجمه ماشینی مبتنی بر ترانسفورمر و یادگیری تقویتی جستجوی تطبیقی درخت مونت‌کارلو» شرح داده شده است. این مقاله در مجله Pharmaceuticals منتشر شده است.
گروهی از پژوهشگران مدلی را کد نویسی کردند تا یک مجموعه داده عظیم از مواد شیمیایی شناخته شده، نحوه اتصال آنها به پروتئین‌های هدف و قوانین و ساختار شیمیایی و خصوصیات‌شان را به طور کلی بیاموزد.
نتیجه نهایی این است که این مدل می‌تواند تعداد بی‌شماری از ساختارهای مولکولی منحصر به فرد را تولید کند که با ساختارهای اساسی شیمیایی و زیستی همخوانی دارند و به طور مؤثر به اهداف خود متصل می‌شوند. این امر می‌تواند فرآیند شناسایی کاندیداهای دارویی قابل قبول برای طیف وسیعی از بیماری‌ها را به طور قابل توجهی تسریع کند و هزینه‌ها را به شدت کاهش دهد. این امر نشان‌دهنده اهمیت چت جی پی تی و هوش مصنوعی در دارو سازی است.
تولید یک مدل جدید و خاص با چت جی پی تی در داروسازی
برای ایجاد این مدل تحول‌آفرین، محققان دو تکنیک پیشرفته هوش مصنوعی را برای اولین بار در حوزه‌های بیوانفورماتیک و شیمی‌انفورماتیک ادغام کردند؛ معماری معروف « ترانسفورمر رمزگذار-رمزگشا » و «یادگیری تقویتی از طریق جستجوی درخت مونت‌کارلو یا (RL-MCTS)». این پلتفرم که به طور متناسبی «drugAI» نام‌گذاری شده است، به کاربران این امکان را می‌دهد که یک توالی پروتئین هدف (برای مثال، پروتئینی که معمولاً در پیشرفت سرطان نقش دارد) را هدف‌گذاری کنند.
drugAI که بر اساس داده‌های پایگاه داده عمومی BindingDB آموزش دیده است، قادر است از ابتدا ساختارهای مولکولی منحصر به فردی تولید کرده و سپس به صورت تکراری گزینه‌های نهایی را پالایش کند تا اطمینان حاصل شود که کاندیداهای نهایی اتصال‌های قوی به اهداف دارویی مربوطه دارند. این مدل ۵۰ تا ۱۰۰ مولکول جدید شناسایی می‌کند که احتمالاً این پروتئین‌های خاص را مهار می‌کنند.
دکتر آتاميان گفت: «این رویکرد به ما اجازه می‌دهد تا یک داروی بالقوه و جدید را طراحی کنیم. این سیستم آزمایش و تأیید شده است. اکنون، نتایج خارق‌العاده‌ای می‌بینیم».
محققان مولکول‌های تولید شده توسط drugAI را با چند معیار ارزیابی کردند و دریافتند که نتایج drugAI از نظر کیفیت مشابه با دو روش متداول دیگر بود و در برخی موارد حتی بهتر به شمار می‌رفت.
نرخ اعتبار داروهای تولید شده توسط drugAI صد در صد بود، به این معنی که هیچ یک از داروهای تولید شده در مجموعه داده‌های آموزشی وجود نداشتند. داروهای کاندیدا شده توسط drugAI همچنین از نظر «شباهت دارویی» ارزیابی شدند و مشخص شد که داروهای کاندیدای تولید شده حداقل ۴۲ تا ۷۵ درصد بهتر از مدل‌های دیگر بودند.
این امر اهمیت به کارگیری چت جی پی تی و هوش مصنوعی در دارو سازی را مشخص می‌کند. تمام مولکول‌های تولید شده توسط drugAI اتصال‌هایی قوی به اهداف مربوطه نشان دادند و با داروهای تولید شده به روش‌های غربالگری مجازی سنتی قابل مقایسه بودند.
هزینه‌های کمتر و نتایج بهتر مزیت هوش مصنوعی در داروسازی
انگ، راکوفسکی و آتاميان می‌خواستند ببینند که نتایج drugAI برای یک بیماری خاص در مقایسه با داروهای شناخته شده برای آن بیماری چگونه است. در یک آزمایش متفاوت، روش‌های غربالگری لیستی از محصولات طبیعی که پروتئین‌های COVID-19 را مهار می‌کردند، به وجود آوردند.
drugAI لیستی از داروهای جدیدی را تولید کرد که همان پروتئین را هدف قرار می‌دادند تا خصوصیات آنها را مقایسه کند. آنها شباهت دارویی و اتصال پروتئین‌ها را بین مولکول‌های طبیعی و مولکول‌های تولید شده توسط drugAI مقایسه کردند و دریافتند که مقیاس‌های یکسانی در هر دو وجود دارد، اما drugAI توانست این نتایج را در زمانی بسیار کوتاه‌تر و با هزینه کمتر شناسایی کند.
علاوه بر این، دانشمندان الگوریتم مذکور را به گونه‌ای طراحی کردند که ساختاری انعطاف‌پذیر داشته باشد تا پژوهشگران آتی بتوانند قابلیت‌های جدیدی به آن اضافه کنند. دکتر آتاميان گفت: «این بدان معنی است که شما با کاندیداهای دارویی دقیق‌تری مواجه خواهید شد که احتمال تبدیل شدنشان به یک داروی بیشتر است. ما برای اتفاقاتی که در آینده قرار است رخ دهد بسیار هیجان‌زده هستیم».
سخن پایانی
دانشمندان با توجه به محبوبیت چت جی پی تی و با این هدف که فرآیند طراحی دارو تسریع شود، تصمیم گرفتند مدل هوش مصنوعی مولد خود را ایجاد کنند. آنها مدلی را کدنویسی کردند تا یک پایگاه داده عظیم از مواد شیمیایی شناخته شده و نحوه اتصال آنها به پروتئین‌های هدف و قوانین و ساختارهای شیمیایی و زیستی را به طور کلی بیاموزد.
به کارگیری چت جی پی تی و هوش مصنوعی در دارو سازی می‌تواند تعداد بی‌شماری از ساختارهای مولکولی منحصربه‌فرد را تولید کند که با قوانین شیمیایی و زیستی همخوانی دارند و به طور مؤثر به اهداف خود متصل می‌شوند. همین امر می‌تواند فرآیند شناسایی کاندیداهای دارویی بالقوه را تسریع کند و هزینه‌ها را کاهش دهد و دریچه‌ای تازه به روی علم داروسازی باز کند.