كيفية مساعدة التكنولوجيا الطبية في تسريع اكتشاف الأدوية الجديدة
استمر في القراءة لتتعرف على المزيد حول فائدة الذكاء الاصطناعي في اكتشاف الأدوية وتطويرها، وكيفية مساعدة ذلك في خفض تكاليف تطوير الأدوية والحصول على علاجات تنقذ حياة المرضى بشكل أسرع.
ارتفاع تكاليف اكتشاف الأدوية وتطويرها
تتغير طريقة تعامل متخصصي الرعاية الصحية مع المرضى بسرعة. وأصبح الطب الدقيق أكثر شيوعاً حيث يعالج الباحثون المشاكل الصحية المعقدة وتسعى شركات الأدوية جاهدة لتقليل الوقت الذي يستغرقه تطوير الأدوية المنقذة للحياة.
في الوقت الحالي، يعد طرح أي دواء جديد في السوق عملية طويلة للغاية ومكلفة لشركات الأدوية. وفقاً لـ Taconic Bioscience، يستغرق تطوير عقار واحد حوالي 2.8 مليار دولار أمريكي وأكثر من 12 عاماً لتطويره في عام 2019. وبعد كل ذلك، فشل 90% من الأدوية المرشحة في الحصول على موافقة إدارة الغذاء والدواء (FDA).
ولكن تتمثل الأخبار السارة في أن لدى الذكاء الاصطناعي (AI) إمكانات مذهلة لتسريع عملية اكتشاف الأدوية وتطويرها.
كيفية تبسيط الذكاء الاصطناعي لعملية اكتشاف الأدوية
تتمثل الخطوة الأولى في تصنيع معظم الأدوية في تركيب مركب يمكنه الارتباط بجزيء مستهدف وتعديله، وعادةً ما يكون بروتين مرتبط بالمرض. وللعثور على المركب المناسب، يعمل الباحثون على مراجعة الآلاف من المركبات المحتملة. بمجرد تحديد المركب المستهدف، يعمل الباحثون على فحص مكتبات ضخمة من المركبات المماثلة للعثور على التفاعل الأمثل مع بروتين المرض.
في الوقت الحالي، يستغرق الأمر أكثر من عشرة أعوام ومئات الملايين من الدولارات للوصول إلى هذه النقطة. ولكن يمكن لشركات التكنولوجيا الطبية التي تستخدم الذكاء الاصطناعي والتعلم الآلي (ML) تبسيط العملية وتقليل التكاليف والوقت الذي تستغرقه شركات الأدوية في طرح أدوية جديدة. على سبيل المثال، يمكن لهذه التقنيات القيام بما يلي:
البحث في مكتبات الجزيئات
تعد المكتبات التي يتم فحصها بحثاً عن الجزيئات المرشحة ضخمة جداً لدرجة أنه يكاد يكون من المستحيل على الباحثين البشريين مراجعة كل شيء بأنفسهم. على النقيض، يمكن للذكاء الاصطناعي تحديد المركبات المستهدفة المحتملة بسرعة في مجموعات البيانات الضخمة، مما يوفر على الباحثين قضاء مئات الساعات في المختبر.
توقع خصائص المركبات
تتضمن عملية اكتشاف الدواء التقليدية نهج التجربة والخطأ الذي يستغرق وقتاً طويلاً. ويمكن أن تساعد حلول التكنولوجيا الطبية بجانب الذكاء الاصطناعي والتعلم الآلي في تسريع العملية من خلال التنبؤ بخصائص المركبات المحتملة، مما يضمن اختيار تلك المركبات التي تحتوي على التكوين المطلوب فقط للتركيب. ويوفر ذلك جهد الباحثين الذي كان سيبذَل على العمل على مركبات من غير المرجح أن تكون فعالة.
اختراع مركبات جديدة
عندما يثمر البحث عن القليل من النتائج الواعدة، يمكن للذكاء الاصطناعي طرح أفكار لمركبات جديدة تماماً تتناسب مع المعايير المرغوبة ولها فرصة أكبر للنجاح.
كيف يمكن أن يساعد الذكاء الاصطناعي في اكتشاف أدوية جديدة؟
كيف يتم استخدام الذكاء الاصطناعي في التجارب السريرية؟
وفقاً لـ Deloitte، تمت الموافقة على 10% فقط من الأدوية المرشحة التي تدخل مرحلة التجارب السريرية من قبل الهيئات التنظيمية. تتضمن المرحلة الأطول والأكثر تكلفة في عملية تصنيع الدواء، التجارب السريرية، مراحل متعددة من الاختبارات البشرية وتضم كل مرحلة مئات أو آلاف المشاركين.
لم تتغير العملية الخطية التقليدية للتجارب المنضبطة المعشاة (RCTs) منذ عقود وتفتقر إلى المرونة والسرعة والقدرة التحليلية اللازمة لتقدم نموذج الطب الدقيق. وتعاني الشركات للعثور على المشاركين المناسبين، ناهيك عن تطويعهم واستبقائهم وإدارتهم بفعالية. ويساهم عدم كفاءة العملية بشكل كبير في ارتفاع تكاليف اكتشاف الأدوية وتطويرها، فضلاً عن معدلات الموافقة المنخفضة.
ويمكن لشركات الأدوية استخدام نماذج الذكاء الاصطناعي التنبؤية طوال مرحلة التجارب السريرية لتطوير الأدوية، بدايةً من مرحلة التصميم ووصولاً إلى مرحلة تحليل البيانات، مما يساعد على القيام بما يلي:
- تحديد المرضى المناسبين عن طريق جمع البيانات عن المحتوى المتاح للجمهور.
- تقييم أداء مواقع التجارب السريرية في الوقت الحقيقي.
- أتمتة مشاركة البيانات عبر الأنظمة الأساسية.
- توفير البيانات للتقارير النهائية.
يضمن اقتران الخوارزميات بالبنية الأساسية التقنية الفعالة أن يتم تنظيف التدفق المستمر للبيانات السريرية وتجميعها وتخزينها وإدارتها بشكل فعال. وبالتالي، يمكن للباحثين فهم مأمونية الدواء وفعاليته بشكل أفضل دون الحاجة إلى تجميع مجموعات البيانات الضخمة الناتجة عن التجارب وتحليلها يدوياً.
معوقات اعتماد الذكاء الاصطناعي في عملية اكتشاف الأدوية وتطويرها
على الرغم من أن استخدام الذكاء الاصطناعي أصبح أكثر انتشاراً في عملية اكتشاف الأدوية، فلا تزال توجد بعض المعوقات التي تحول دون اعتماده.
جودة البيانات
يتمثل أحد التحديات التي يُستشهد بها كثيراً في العديد من المجالات في أن البيانات الضعيفة يمكن أن تقلل بسرعة من فائدة الذكاء الاصطناعي والتعلم الآلي. بالنسبة للباحثين في مجال الأدوية، فإن البيانات منخفضة الجودة تجعل التكنولوجيا الطبية غير موثوقة، وفي النهاية، ليست أكثر دقة أو فائدة أو توفيراً للوقت من الأساليب التقليدية.
التخوف
يوجد مفهوم خاطئ في معظم المجالات مفاده أن التكنولوجيا ستحل في النهاية محل العاملين البشريين بالكامل. ولا يمثل مجال صناعة الأدوية أي استثناء. بينما من الصحيح أن الذكاء الاصطناعي يمكنه تحليل مجموعات البيانات الكبيرة بسرعة أكبر، فإنه ليس بديلاً للباحثين والأطباء البشريين المهرة.
قلة المهارات
يتطلب تطبيق التكنولوجيا الطبية في عملية اكتشاف الأدوية مجموعة متخصصة من المهارات. للحفاظ على نظافة البيانات وللحفاظ على فعالية الذكاء الاصطناعي، تحتاج الشركات إلى عاملين ليس لديهم مهارات تقنية فحسب، بل لديهم فهم أيضاً للجانب العلمي من العملية، مثل تصميم الأدوية وعلم الأحياء والكيمياء. إنها مهمة مستعصية تواجه الشركات صعوبة في توظيفها.
مستقبل الذكاء الاصطناعي في تطوير الأدوية
يساعد الذكاء الاصطناعي الباحثين على الابتكار والأطباء على تلبية متطلبات الطب الدقيق والشركات على طرح الأدوية التي تنقذ الحياة في السوق. في كل عام، يوجد المزيد من الشراكات بين شركات الأدوية وشركات التكنولوجيا الطبية، واستثمارات ضخمة في التكنولوجيا الطبية والشركات الناشئة في مجال الذكاء الاصطناعي.
حتى أننا نشهد مشاركة البيانات بين شركات الأدوية الكبرى. يُعد Machine Learning Ledger Orchestration for Drug Discovery، أو MELLODDY، اتحاداً يسهل مشاركة البيانات بين العشرات من أعضائه. يستخدم MELLODDY نظاماً قائماً على سلسلة السجلات يسمح للشركات بمشاركة ملكية بياناتها الخاصة مع الحفاظ على سريتها. يمكن للباحثين الاستفادة من البيانات الموجودة لتسريع عملية اكتشاف الأدوية وتقليل سنوات من التطوير.
التسريع من عملية البحث والتطوير
تابعنا