هوش مصنوعی علیرغم اینکه درک واقعی از علم ندارد میتواند مولکولهای شیمیایی را به روشی که دانشمندان نمیتوانند درک کنند، مطالعه کند، بهطور خودکار ساختارهای پیچیده پروتئینی را پیشبینی کرده و داروهای جدید طراحی کند.
قدرت طراحی داروهای جدید در مقیاس دیگر به Big Pharma محدود نمی شود. استارتآپهای مجهز به الگوریتمها، دادهها و محاسبات مناسب میتوانند دهها هزار مولکول را تنها در چند ساعت اختراع کنند. ترانسفورماتورها، بخشهایی از فرآیند طراحی را خودکار میکنند و به دانشمندان کمک میکنند داروهای جدیدی برای بیماریهای دشواری مانند آلزایمر، سرطان یا شرایط ژنتیکی نادر تولید کنند. در سال 2017، محققان گوگل روشی را برای ساخت شبکه های عصبی بزرگتر و قدرتمندتر ارائه کردند. امروزه، مدلهای مبتنی بر ترانسفورماتور پشت برخی از بزرگترین سیستمهای هوش مصنوعی قرار دارند.
ناداو براندس، یک فوق دکترای دانشگاه کالیفرنیا در سانفرانسیسکو که در زمینه بیوانفورماتیک مطالعه می کند، به The Register گفت که این سیستم ها در زیست شناسی نیز مفید هستند زیرا پروتئین ها را می توان به صورت متن نیز رمزگذاری کرد. این مولکول های پیچیده از حدود 20 اسید آمینه مختلف تشکیل شده اند. هر بلوک ساختمانی را می توان با حروف نشان داد. با استفاده از این قیاس، برندز گفت که پروتئین ها را می توان به عنوان کلمات و پروتئین های متعدد را مانند جملات در نظر گرفت.
او گفت: «ترانسفورماتورها می توانند همزمان همه مولکول ها را در موقعیت های مختلف پردازش کنند و روابط بین آنها را در فواصل طولانیتر ثبت کنند. وقتی مدلها با صدها هزار توالی پروتئین تغذیه میشوند، میتوانند انواع کارهایی را انجام دهند که معمولاً برای دانشمندان زمان زیادی را میطلبد، مانند نقشهبرداری از شکلهای آنها یا پیشبینی اثرات جهشهای ژنتیکی.
به عنوان مثال، AlphaFold که توسط محققان DeepMind توسعه داده شده است، یاد گرفت که چگونه موقعیت اسیدهای آمینه را در پروتئینی که هرگز ندیده است، در عرض چند دقیقه یا چند ساعت ترسیم کند. این یک کار غیرممکن برای زیست شناسان ساختاری است. معمولا آزمایش های گسترده سال ها برای آنها طول می کشد تا به طور دقیق از شکل های نوار مانند درهم ریخته خود نقشه برداری کنند.
دانشمندان از این اطلاعات برای درک عملکرد آن در بدن انسان استفاده می کنند. پروتئین ها برای انجام وظایف حیاتی مانند ترمیم سلول ها یا حرکت عضلات با سایر مولکول ها تعامل دارند. آنها یک محل اتصال منحصر به فرد روی سطح خود دارند، جایی که می توانند به مولکول های دیگر متصل شوند و وظیفه خاص خود را انجام دهند واتصال محکم شود و از کار کردن آن با مولکولهای دیگر برای انجام عملکردهای پاتولوژیک که باعث بیماری میشوند، مانند کمک به رشد سلولهای تومور سرطانی جلوگیری میکنند.
AlphaFold اطلاعات زیادی تولید کرده است. پایگاه داده آن مملو از نزدیک به یک میلیون ساختار پروتئینی خمیده است که در انواع موجودات زنده از حیوانات، حشرات، گیاهان، باکتری ها و ویروس ها یافت می شود.اگر پیشبینیهای آن واقعاً دقیق باشد، دانشمندان سالها آزمایشهای فیزیکی مورد نیاز برای کشف ساختارهایشان را انجام خواهند داد. همچنین به این معنی است که آنها می توانند داروهای جدیدی را برای هدف قرار دادن بیماری هایی که قبلاً در دسترس نبودند اختراع کنند.
محققان از Insilico Medicine، استارت آپی که در سال 2014 تأسیس شده و در هنگ کنگ و نیویورک مستقر است، از AlphaFold برای انجام این کار استفاده می کنند. تیمی مدعی شد که این اولین "هدف تایید شده برای یک هدف جدید در کشف اولیه دارو" برای یک پروتئین تایید نشده بود.این تیم با استفاده از ساختار پیشبینیشده توسط آلفا فولد CDK20 ، پروتئینی که در رشد سلولی نقش دارد، 8918 داروی کاندید را برای درمان سرطان کبد تولید کرد.
هفت مولکول کوچک سنتز شدند و در آزمایشهای آزمایشگاهی مورد آزمایش قرار گرفتند تا ببینند چقدر قوی با محل اتصال پروتئین تعامل دارند. الکس ژاورونکوف، بنیانگذار و مدیر عامل Insilico، به The Reg گفت: یکی از آنها در نهایت "یک ضربه ضعیف" بود . این بدان معناست که تا حدودی امیدوارکننده به نظر می رسد، اما قرار نیست فوراً یک دارو باشد.
خیلی زود است که بگوییم آیا AlphaFold در این مورد مفید بوده است یا خیر. Insilico باید جستجوی خود را بیشتر اصلاح کند و به دنبال مولکول های بیشتری باشد که بتوانند به طور مؤثرتری روی هدف قفل شوند. "تیم هنوز روی این پروژه کار می کند؛ این پروژه هنوز در مرحله شناسایی ضربه است،اگر همه چیز به خوبی پیش برود،موفق می شویم.
حتی اگر پیشبینیهای AlphaFold دقیق باشند، همیشه برای طراحان دارو مفید نیستند. آنها مدلسازی نمیکنند که چگونه محل اتصال پروتئین هنگام تعامل با یک مولکول کوچک تغییر شکل میدهد، این چیزی است که توسعهدهندگان باید خودشان با استفاده از شبیهسازیهای مبتنی بر فیزیک پیچیده آن را کشف کنند.دانشمندان میتوانند ساختارهای پروتئینی پیشبینیشده توسط نرمافزار DeepMind را به مدلهای یادگیری ماشینی خودشان متصل کنند و شروع به ایجاد مولکولهای جدید برای هدف قرار دادن ساختارهای پروتئینی کنند که هنوز بهطور تجربی تأیید نشدهاند.
ترانسفورماتورها همچنین یک ترفند دیگر در آستین خود دارند: آنها می توانند ویژگی های داده هایی را که قبلاً به وضوح ندیده اند شناسایی و پیش بینی کنند. در Absci، یک شرکت عمومی کشف دارو که در سال 2011 تأسیس شد، محققان در حال ساخت مدلی هستند تا بهطور خودکار پیشبینی کنند که آیا آنتیبادی تولید شده توسط هوش مصنوعی بدون آموزش در مورد دادههای بالینی توسط سیستم ایمنی بیمار رد میشود یا خیر.
آنتی بادی ها نوعی پروتئین هستند که توسط سیستم ایمنی بدن ما تولید می شود. آنها به طور طبیعی در بدن ما تشکیل می شوند تا با عفونت های ویروس ها یا باکتری های خارجی مبارزه کنند. آنتیبادیها با اتصال به پروتئینهای دشمن، از ابتلای ما به سلولهای ما جلوگیری میکنند. اگر هوش مصنوعی بتواند آنتیبادیهای جدیدی تولید کند، دانشمندان میتوانند درمانها و واکسنهای جدیدی تولید کنند. پروتئین های هوش مصنوعی تقریباً ساختار نوع ویروس کرونا Omicron را به درستی پیش بینی کردند.
این سیستم امتیاز «طبیعی بودن» را محاسبه می کند و ساختار آنتی بادی مصنوعی طراحی شده را با آنتی بادی های طبیعی که در طول تمرین دیده است، مقایسه می کند. دادههای آموزشی Absci شامل آنتیبادیهای موجودات مختلف، از انسان گرفته تا لاما است. او معتقد است که اگر طبیعی به نظر برسد، احتمالاً کمتر احتمال دارد که دفاع سیستم ایمنی را تحریک کند.
زمانی که دانشمندان Absci میخواهند ببینند کدام آنتیبادی قویتر به پروتئینهای هدف آنها متصل میشود، ترانسفورماتورها نیز در بازی هستند. برخلاف داروهای مولکولی کوچک، شیمیدانان Absci خود آنتی بادی ها را سنتز نمی کنند. در عوض، آنها در داخل سلول های باکتری E coli دستکاری شده ژنتیکی رشد می کنند.
DNA حاوی دستورالعملهایی است که نشان میدهد سلولها چگونه میتوانند پروتئین تولید کنند. این شرکت به صورت معکوس کار می کند و توالی های DNA مربوط به طرح های آنتی بادی خود را کشف می کند. سپس این توالی های DNA به باکتری وارد می شوند تا سلول ها آنتی بادی طراحی شده توسط خود را تولید کنند.
پس از آن، زیست شناسان می توانند این سویه های جدید را آزمایش کنند و ببینند که آیا آنها در برابر پروتئین خاصی موثر هستند یا خیر. مایر گفت: "ما این کار را اساساً بر اساس سلول به سلول انجام می دهیم. هر سلول دنباله متفاوتی از DNA مربوط به نوع متفاوتی از آنتی بادی را دریافت می کند، بنابراین هر سلول باکتری در نهایت پادتن متفاوتی تولید می کند."این شرکت گفت که موفق شده است تا داروهایی تولید کند که ممکن است در درمان سرطان سینه مؤثر باشند.
آموزش شبکه عصبی برای تولید دارو آسان است. تلاش برای کشف چگونگی ساخت آن مولکول ها دشوار است. شرکت های دارویی نمی توانند هر نامزد را آزمایش کنند. آزمایشات آزمایشگاهی بیش از حد وقت گیر و پرهزینه خواهد بود.علاوه بر این، حتی اگر آنها بدانند چه موادی برای ساخت یک داروی خاص استفاده می شود، همیشه دستور العمل آن را نمی دانند. شیمیدانهای ساختاری برای کاوش و تنظیم ساختار مولکولهای طراحیشده توسط کامپیوتر دعوت میشوند و آن را به چیزی که فکر میکنند قابل سنتز هستند تغییر میدهند.
Exscientia، یک شرکت داروسازی که در سال 2012 تأسیس شد و دفتر مرکزی آن در بریتانیا است، در حال توسعه مدلهای ترانسفورماتور برای خودکارسازی این مرحله است. هدف این است که یک سیستم کاری داشته باشیم که بتواند مولکول های ساخته شده را به عنوان ورودی جذب کند و واکنش های شیمیایی مورد نیاز برای تولید مولکول ها را به عنوان خروجی بیرون بیاورد.
فرآیند کار معکوس، تجزیه مولکول ها به بلوک های سازنده تشکیل دهنده آنها به عنوان رتروسنتز شناخته می شود. بن سوتاری، دانشمند ارشد تحقیقاتی هوش مصنوعی، گفت: ترانسفورماتورها برای این کار به خوبی سازگار هستند. با توجه به یک توالی شیمیایی از واکنش ها، مهندسان می توانند مراحل مختلف را بپوشانند و از مدل بخواهند که جاهای خالی را پر کند.
جستوجو برای داروی طراحیشده با هوش مصنوعی که قادر به درمان بیماری باشد، طولانی، سخت و پر از انواع موانع فنی و نظارتی است. ترانسفورماتورها تنها بخش کوچکی از جعبه ابزار یک طراح دارو هستند، همچنین چندین مدل یادگیری ماشین دیگر نیز در این فرآیند دخیل هستند. گاهی اوقات این مدل ها حتی با یکدیگر رقابت می کنند و دسته هایی از مولکول ها با ساختارهای مختلف تولید می کنند.
هوش مصنوعی ممکن است به دانشمندان کمک کند داروهای جدید را با سرعت بیشتری به بازار بیاورند، اما فرآیند کشف دارو نمی تواند کاملاً خودکار باشد. این نیاز به همکاری دقیق بین انسان و ماشین دارد. مولکول های جدید هنوز باید توسط آزمایش های آزمایشگاهی مورد بررسی قرار گیرند و قبل از اینکه ایمن در نظر گرفته شوند روی بیماران آزمایش شوند. شرکتهایی مانند Insilco و Exscientia در حال حاضر دارای داروهایی هستند که توسط نرمافزار اختصاصی هوش مصنوعی خود در آزمایشهای بالینی طراحی شدهاند.
روزی که بتوان داروی طراحی شده با هوش مصنوعی را به یک بیمار واقعی داد شاید چندان دور نباشد. اما پیش بینی زمان فرا رسیدن آن روز دشوار است. حتی اگر این داروهای جدید از سوی تنظیمکنندهها تأیید شود، بسیاری از این شرکتها هنوز باید خریدارانی برای IP خود پیدا کنند.