نقش هوش مصنوعی در دارورسانی

کاربرد هوش مصنوعی به منظور تحول پژوهش‌های کشف دارو ایده‌ای جدید است. استفاده از دستگاههایی که قادر به یادگیری شیمی و زیست‌شناسی از روی انبوهی از داده‌های آزمایشگاهی‌اند. این دستگاه‌ها می‌توانند جهت انتخاب داروهای مناسب، پیش‌بینی دقیق ویژگی‌ها و ریسک سمیت احتمالی این داروها به کار برده شوند.


هوش مصنوعی در صورت استفاده، به طور چشمگیری قادر خواهد بود شکست های متعدد در کارآزمایی‌های بالینی را به حداقل رسانده، در بودجه و زمان اختصاص داده شده برای تحقیق و توسعه صرفه‌جویی کرده و مهم تر از همه، زندگی بیماران را حفظ نماید.

در استفاده از هوش مصنوعی از یک طرف، شرکت‌های داروسازی وجود دارند که به شکل واضح، علاقه‌مندی آشکاری را نسبت به این فناوری از خود نشان می‌دهند. بخش بزرگی از این علاقه‌مندی، ریشه در دستاوردهای عملی و گویای هوش مصنوعی در حل شمار بیشتری از کارهای متداول دارد؛ کارهایی نظیر: تشخیص گفتار و متن، شناسایی چهره‌ها در تصاویر فیس‌بوک، رانندگی ماشین و … .

 از سوی دیگر، تاریخ توسعه‌ی هوش مصنوعی با فراز و نشیب‌های زیادی مواجه بوده است، موج‌های تبلیغاتی درباره‌ی هوش مصنوعی طی قرن گذشته، با ناامیدی شدید و از دست رفتن علاقه‌ی عموم در دهه‌های ۷۰ و۸۰ همراه بود. با این حال، اکنون به نظر می‌رسد ظرفیت مربوط به فناوری هوش مصنوعی و فناوری‌های کلان‌داده، همگی طوری تنظیم شده‌اند که در جهت چهارمین انقلاب صنعتی حرکت کنند.

 برای بسیاری از متخصصین کشف دارو، حتی با مدرک Ph.D، طرز کار الگوریتم‌های خاص هوش مصنوعی، حکم جعبه‌ی سیاه را دارد. کمبود تخصص به عنوان یکی از دلایل اصلی عدم پذیرش هوش مصنوعی توسط متخصصین داروسازی و بیوتکنولوژی اعلام شده است.

در این دیدگاه سعی شده‌است تا بیان شود که چرا صنعت داروسازی، اکنون بیش از هر زمان دیگری نیازمند نوآوری است؟چگونه می‌تواند به نوآوری‌های هوش مصنوعی نزدیک شود، و در نهایت، چقدر طول می‌کشد تا این دگرگونی صنعتی رخ بدهد.

وضعیت بحران داروسازی

اخیرا یک تحلیل مالی تقریباً ساده اما متقاعد کننده به دست آمده است که نشان می‌دهد چرا صنعت داروسازی در وضعیت بحران، و حتی فراتر از آن، در آستانه‌ی سقوطی مرگبار قرار دارد.

با بررسی‌های انجام شده این نتیجه حاصل شده‌است که هرچه صنعت، استانداردهای مراقبت را بهبود بخشد، هرگونه پیشرفت اضافی مشکل‌تر و پرهزینه‌تر خواهد شد. بنابراین، سازمان های دارویی در نهایت مجبور می‌شوند تلاش بیش‌تری برای ارائه‌ی نوآوری (هزینه‌ی تحقیق و توسعه) کنند تا سود افزایشی و ارزش افزوده را برای بیماران کاهش دهند، که این در ادامه، منجر به کاهش سود کلی سرمایه‌گذاری‌ها می‌شود. (که به عنوان، قانون کاهش درآمد نیز شناخته می‌شود.)

در همین حین، بودجه‌ی تحقیق و توسعه برای شرکت‌های زیست‌دارو معمولاً متناسب با درآمد می‌باشد. زمانی که درآمدها کاهش می‌یابد، پول کم‌تری برای سرمایه‌گذاری روی تحقیق و توسعه موجود است که منجر به کاهش شانس پیشرفت در آینده و افت بیش‌تر در درآمد و غیره می‌شود. این خود یک چرخه‌ی معیوب است، یک مدل تجاری به ظاهر شکست خورده در صنعت داروسازی.

تنها راه خروج از این شرایط، تغییر مسیر صنعت به سمت استفاده از مدل‌های اثربخش‌تر و ارزان‌قیمت‌تری از نوآوری، و حتی فرآیندهای کاملاً جدید برای پیش‌برد تحقیق و توسعه است. در حال حاضر، شرکت‌های داروسازی «کلاسیک»، که برای دهه‌ها به کشف داروهای کوچک‌مولکول متکی بودند،امروزه با معرفی راه حل‌های زیست‌شناختی، مانند داروهای بیولوژیک، درمان‌های سلولی و ژنی، مهندسی بافت و پزشکی بازساختی، به طور روز افزونی در حال تنوع بخشیدن به خطوط تولیدی‌شان هستند.

با این حال، یک فرصت دیگر برای صنعت داروسازی کلاسیک، برای این که بتواند تحقیق و توسعه‌ی خود را پربارتر و کم‌هزینه‌تر سازد، اتخاذ فرآیندهای پیچیده‌ی اتوماسیون و تحلیل می‌باشد. این فرآیندها مبتنی بر الگوریتم‌های متنوعی هستند که خود از هوش مصنوعی برگرفته شده‌اند.

نوآوری‌های برگرفته از هوش مصنوعی

اتخاذ فناوری‌های گرفته شده از هوش مصنوعی توسط شرکت‌های داروسازی، اغلب به علت یک شکاف استعدادی، چالش برانگیز است. این شکاف استعدادی،کمبود متخصصین پژوهش و کسب و کار است. متخصصانی که باید آگاهی فنی عمیقی از پایه‌های کشف دارو و مهارت‌های توسعه وکاربرد هوش مصنوعی داشته باشند.

چالش دیگر، نوآوری‌های برگرفته از هوش مصنوعی است. برای مثال، زمانی که یک شرکت داروسازی با یک هدف دارویی نویدبخش، یا یک خانواده‌ی جدید از مولکول‌های کوچک مواجه می‌شود، چنین یافته‌ای می‌تواند در جریان پیش‌برد تحقیق و توسعه‌ی موجود جای گیرد، که این نوعی «نوآوری افزایشی» محسوب می‌شود. در مقابل، استفاده از هوش مصنوعی به این اشاره دارد که تحقیق و توسعه‌ی موجود و فرآیندهای تجاری باید به نحوی بازطراحی و اتوماتیزه شوند تا بتوانند ارزش هم‌افزایی قابل قبولی را از یادگیری ماشینی، کلان‌داده، و زیرساخت‌های محاسباتی با عملکرد بالا ایجاد کنند. اما متأسفانه، واقعیت این است که شرکت‌های داروسازی در مورد روش‌های کسب و کار و پژوهش‌شان محافظه‌کاری می‌کنند.

به منظور غلبه بر چالش‌های فوق، شرکت‌های داروسازی باید موارد زیادی را از غول‌های فناوری، مانند گوگل، اینتل و آمازون بیاموزند. این شرکت‌ها به انعطاف‌پذیر بودن در مدل‌های نوآوری خود معروف‌اند.

در ادامه، چندین تاکتیک برای نزدیک شدن به نوآوری‌های مبتنی بر هوش مصنوعی جهت کشف دارو ارائه شده است.

انتخاب داروی مناسب خدمتی از هوش مصنوعی

یک مدل معروف برای برون‌سپاری تحقیق و توسعه، همکاری میان آن دسته از شرکت‌های داروسازی است که داده‌ها و دانش پژوهشی خاصی را ارائه می‌دهند که به همراه استارتاپ‌های مبتنی بر هوش مصنوعی جهت کشف دارو، مدل‌هایی را با تسلط بر این دانش می‌سازند. درصورتی که هرگونه داروی موفقی از این نوع همکاری‌ها حاصل شود، شرکت های داروسازی، بر اساس شرایط توافق‌نامه، مالک آن شده و یا به آن مجوز می‌دهند.

این مدل تجاری با همه‌ی نقاط قوتی که دارد؛ انعطاف‌پذیری، مقرون به صرفه بودن و دسترسی سریع به متخصصین خارجی اما با کاستی‌هایی نیز همراه است. یکی از این نقاط ضعف، نیاز به وارد کردن یک شریک سوم به اکثر بخش‌های محرمانه‌ی کل فرآیندهای کشف و توسعه دارو، می‌باشد. در چنین مواردی، انتخاب شرکای مناسب به اولویت اصلی تبدیل می‌شود.

توسعه‌ی ظرفیت‌های داخلی هوش مصنوعی

راه مشکل‌تر برای نزدیک شدن به اتخاذ هوش مصنوعی جهت کشف دارو، تلاش و توسعه‌ی متخصصین و زیرساخت‌های داخلی برای استفاده از الگوریتم‌های هوش مصنوعی و فرآیندهای خودکارسازی است. یک نمونه‌ی مشهور، واحد درون‌رایانه‌ای شرکت GSK است. واحد درون‌رایانه‌ای یا Insilico Unit یک سرمایه‌گذاری پژوهشی بود که با هدف بررسی موارد استفاده‌ی بالقوه از هوش مصنوعی در برنامه‌ی کشف داروی GSK و تربیت متخصصین داخلی، به بهره‌برداری رسید. واحد درون‌رایانه‌ای در همکاری با متخصصین خارجی هوش مصنوعی، از جمله Exscientia و Insilico Medicine نیز فعال بود.

کارآفرینی در هوش مصنوعی

شرکت‌هایی مانند گوگل و اینتل، به حفظ مؤثر فرهنگ کارآفرینی شهرت دارند. این امتیاز به آن‌ها اجازه می‌دهد که به طور مداوم نوآوری کرده و محصولات جدیدی را راه‌اندازی نمایند.

اساساً، مسئله در مورد آزادی دادن به کارکنان جهت شکوفایی خلاقیت و اعطای منابع داخلی برای پروژه‌های مبتکرانه‌ی آن هاست، به طوری که ترجیحاً، موانع اداری زیادی در این مسیر قرار نداشته باشد.

مشارکت بین تجارت و دانشگاه

پژوهش دانشگاهی یک نیروی محرکه برای نوآوری‌های هوش مصنوعی و توسعه‌ی موارد مصرف برای کاربردهای عملی است. هم‌زمان، تعداد زیادی از داروهای موجود در بازار از آزمایشگاه‌های پژوهشی دانشگاه‌ها ظهور کرده‌اند، به این معنی که، سردمداران داروسازی به استفاده از دستاوردهای همکاران دانشگاهی‌ خود عادت کرده‌اند.

باید به این نکته اشاره کرد که مشارکت شرکت‌های داروسازی با دانشگاه‌ها جهت تزریق استعداد به تحقیق و توسعه تنها هدف مورد انتظار نیست بلکه استارتاپ‌های کشف داروی مبتنی بر هوش مصنوعی نیز درحال ظهورند. یکی از نمونه‌های بارز، شرکت Atomwise است که به لطف جایزه‌ی غربالگری مولکولی هوش مصنوعی (AIMS)، فعالانه در حال برقراری ارتباط با دانشگاهیان بوده است. این جایزه در سال گذشته به یک‌صد دانشمند اعطا گردید و برنامه‎ی جدیدی از اعطای جوایز نیز برای دوره آینده اعلام شده است.

چالش‌های تحقیق و توسعه در استفاده از هوش مصنوعی

سازمان‌دهی پروژه‌های علوم باز و چالش‌های باز، تاکتیک‌های ارزشمندی برای نزدیک شدن به اتخاذ هوش مصنوعی (و ارزیابی آن) برای نیازهای کشف دارو در قدم‌های کوچک است؛ بدون این که ریسک بالای مالی و یا مسئولیت‌های مربوط به آن وارد کار شود. از جمله‌ی این موارد، می‌توان به چالش‌های QuickFire اشاره کرد که توسط شرکت Johnson & Johnson Innovation معرفی شده است.

هر مدلی که برای اتخاذ هوش مصنوعی توسط سازمان‌های داروسازی ترجیح داده شود، این نکته باید روشن گردد که ادغام هوش مصنوعی در فرآیند کشف دارو، به اندازه‌ای که یک چالش از نوع تحقیق و توسعه محسوب می‌شود، یک چالش فناوری اطلاعات (IT) به شمار نمی‌آید. بنابراین، این فرآیند تنها می‌تواند از طریق تنظیم بودجه‌های اختصاص داده شده برای تحقیق و توسعه بر این اساس، و ایجاد تیم‌های بین رشته‌ای قوی که در آن دانشمندان فعال در زمینه‌ی کشف دارو هوش مصنوعی با یک‌دیگر همکاری می‌کنند، به انجام رسد.

زمان نتیجه دهی هوش مصنوعی

سوال مهم برای سرمایه‌گذاران و تصمیم‌گیران اقتصادی این است که چقدر طول می‌کشد تا هوش مصنوعی در پژوهش‌های داروسازی، سود مطلوب را به سرمایه‌گذار بازگرداند؟ غوطه‌ور شدن در انتظارات بیش از حد خوش‌بینانه تا حدودی وسوسه‌برانگیز است؛ به خصوص، پس از کار کردن با برخی از ابزارهای تجاری و عمومی موجود که توسط اپل (Siri، یک دستیار شخصی)، گوگل (Ok، قابلیت‌های گوگل، دستیار گوگل) و سایر شرکت‌ها فراهم شده است. هوش مصنوعی به وضوح پیشرفت قابل توجهی را در حیطه‌ی پردازش تصویر و ویدئو، شناسایی الگوها وکنارآمدن با زبان طبیعی داشته است.

با این حال، در مورد کشف دارو، قضیه اساساً متفاوت بوده و چندان خوش‌بینانه نیست. برای مثال یک شکاف «نوآوری در مقابل پیاده‌سازی» وجود دارد که  بیان می‌کند: «کارآفرینان موفق در حوزه‌ی فناوری سلامت روی پیاده‌سازی تمرکز خواهند کرد، نه روی نوآوری.»

 اساساً، بسیاری از ما درباره‌ی نوآوری در فناوری به عنوان یک الهام فکر می‌کنیم که قرار است بلافاصله روش تفکر و عمل را دگرگون سازد؛ چنین تفکری اشتباه است. در حالی که برخی از نوآوری‌های شگفت‌انگیز احتمالاً طی چند ماه در آزمایشگاه‌ها ظاهر شده‌اند، معمولاً در صنعت، اتخاذ قلمروهای جدید و تغییرات کلی، به زمان قابل توجهی نیاز دارد. گاهی اوقات به دهه‌ها زمان نیاز است.

جیمز بِسِن در کتاب، یادگیری از طریق انجام، برخی از بزرگ‌ترین موانع در پیاده‌سازی فناوری را در مقیاس ذیل خلاصه می‌سازد:

۱- بسیاری از افراد در نقش‌های متفاوت برای کسب دانش تخصصی، مهارت‌ها، و دانش فنی، به زمان نیاز خواهند داشت. رهبران تجاری و پژوهشی تا زمانی که درک نکنند هوش مصنوعی چیست و چگونه از آن استفاده می‌شود، به طور جدی به آن نخواهند پرداخت.

۲- نیاز است فناوری به گونه‌ای تنظیم شود که مورد رضایت کاربر و برای مصارف مختلف، مناسب باشد. برای مثال، خدمات و ابزارهای یادگیری ماشینی تخصصی برای این که به طور گسترده در کشف دارو به کار گرفته شوند، باید ظهور پیدا کرده و متداول گردند.

۳- رهبران تجاری برای درک موارد استفاده و این که چگونه باید از فناوری‌های جدید در گردش کار و محل کار خود استفاده کنند، نیاز به زمان دارند.

۴- برای ظاهر شدن مؤسسات آموزشی و بازار کار جدید و فراهم آمدن مقدار ضروری نیروی کار دارای مهارت، به زمان نیاز است.

در پایان، زمینه‌ی پیشرفت‌های اخیر هوش مصنوعی در حوزه‌های متفاوت امیدی را برای کشف دارو و مراقبت پزشکی نیز فراهم می‌آورد. با این حال، جدول زمانی برای بهره‌برداری از این ارزش توسط بسیاری از رسانه‌های سازنده‌ی تبلغات به درستی درک نشده است، که خود موجب تحریف موقعیت‌های حقیقی می‎شود.

با این وجود، برخی از ابزارهای خاص یادگیری ماشینی و کاربردهای هوش مصنوعی در دوره‌ی زمانی کوتاهی توسط جامعه‌ی کشف دارو به کار گرفته خواهد شدکه هدفش کاهش کارهای معمولی، زمان‌بر و انرژی‌بر است.

 نکات کلیدی

۱- استارتاپ‌های مبتنی بر هوش مصنوعی در حال توسعه، باید روی استراتژی‌های پیاده‌سازی و محبوب‌سازی موارد استفاده‌ی عملی، با پرداختن به چالش‌های خاص کشف دارو تمرکز کنند و اعمال وسواس روی نوآوری را متوقف سازند.

۲- پیاده‌سازی هوش مصنوعی در فرآیند کشف دارو به اندازه‌ای که یک چالش از نوع تحقیق و توسعه است، یک چالشIT به شمار نمی‌آید. بودجه‌ی اختصاص داده شده به آن باید از این دیدگاه در نظر گرفته شود.

۳- این ایده که هوش مصنوعی تنها در ترکیب با تخصص انسانی اثربخش خواهد بود، در هر پروژه‌ی مبتنی بر همکاری باید مورد توجه قرار گیرد. هوش مصنوعی به تنهایی یک نوش‌دارو نیست، بلکه یک ابزار تقویتی برای تکمیل خلاقیت انسان، محسوب می‌شود.

۴- در حالی که ابزارهای معین مبتنی بر هوش مصنوعی در حال حاضر برای بسیاری از کاربست‌های اکتشاف دارو ارزشمند شده‌اند، هدف نهایی این است که کل فرآیندهای ادغامی مبتنی بر هوش مصنوعی، نقاط میان همه‌ی مراحل فرآیند اکتشاف و توسعه‌ی دارو را به هم متصل کنند. این امر حداقل ۵ تا ۱۰ سال طول می‌کشد تا محقق شود.

۵- آن دسته از شرکت‌های داروسازی که اتخاذ هوش مصنوعی را به صورت زودهنگام آغاز کرده‌اند، با گذشت زمان قادر خواهند بود مزیت‌های استراتژیکی را به دست آورده و از ارزش فراتر از صرفه جویی‌ها بهره برداری کنند.

این دیدگاه در تاریخ دوم ژوئن در وب سایت biopharmatrend.com منتشر شده است.

✳️ نویسنده: Andrii Buvailo
✳️ ترجمه و بازنویسی: آزاده داوودی

لینک دیدگاه

  • ده نوآوری برتر سال 2017 - اخبار زیست فناوری

    ده نوآوری برتر سال ۲۰۱۷

    ☑️ مجله The Scientist هرساله به معرفی فناوری‌های برتر سال می‌پردازد. امسال نیز پنل مستقل د…
  • مدیریت نوآوری در بیوتکنولوژی - اخبار زیست فناوری

    مدیریت نوآوری در بیوتکنولوژی

    نوآوری پایه و اساس بسیاری از مدل‌های کسب و کار سودآور است. بنگاه‌ها هنگامی که موفق در ایجا…
  • بازار داروهای بيوسيميلار - اخبار زیست فناوری

    بازار داروهای بیوسیمیلار

    ?یکصد و بیست و هشتمین کار گروه مشورتى ستاد راهبری اجرای نقشه جامع علمی کشور در مرداد ۹۳ تش…
بارگذاری نوشته های مرتبط بیشتر
مطالب بیشتر از این نویسنده عاطفه سادات محسن زاده
بارگذاری بیشتر در بازار بیوتکنولوژی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بررسی کنید

استفاده از RNA مداخله‌گر در ایمنی‌درمانی سرطان

ایمنی‌درمانی سرطان در سال‌های اخیر، به خصوص در زمینه‌ی درمان تومورهای جامد، پیشرفت چشمگیری…