قدرت‌نمایی هوش مصنوعی در دنیای داروسازی

جیم کالینز، متخصص زیست‌شناسی مصنوعی موسسه فناوری ماساچوست در مطلبی که در مجله معتبر Cell منتشر شده و سایت نیچر نیز به آن اشاره کرده از ساخت نوع جدیدی از آنتی‌بیوتیک‌های قدرتمند خبر داده که توسط الگوریتم یادگیری ماشین این موسسه ساخته شده است. الگوریتم یادگیری ماشین طراحی شده توسط این تیم تحقیقاتی موفق شده از مخزنی متشکل از بیش از 100 میلیون مولکول گونه جدیدی از آنتی‌بیوتیک‌های قدرتمند را شناسایی کند. یکی از مولکول‌های شناسایی شده توسط این الگوریتم، مولکولی است که قادر است در برابر طیف گسترده‌ای از باکتری‌ها همچون باکتری سل و سویه‌های غیرقابل درمان به کار گرفته شود. پژوهشگران این تیم تحقیقاتی این آنتی‌بیوتیک جدید را هالیسین (halicon) نام‌گذاری کرده‌اند. آنتی‌بیوتیک فوق اولین تلاش موفق هوش مصنوعی در شناسایی و کشف یک داروی درمانی کارآمد است. درست است که هوش مصنوعی در گذشته نیز برای شناسایی آنتی‌بیوتیک‌های جدید توسط پژوهشگران به کار گرفته شده، اما این اولین باری است که هوش مصنوعی برای اولین بار و بدون دخالت مستقیم متخصصان و توصیه‌های انسانی موفق شد به تنهایی نوع کاملا جدیدی از آنتی‌بیوتیک‌ها را شناسایی کند. ژاکوب دورانت، متخصص زیست‌شناسی دانشگاه پتیسبورگ نتایج این دستاورد را شگفت‌انگیز توصیف کرده و می‌گوید: «در این پروژه تحقیقاتی پژوهشگران تنها موفق به شناسایی مولکول‌های کاندیدا نشده‌اند، بلکه مولکول‌های شناسایی شده را با موفقیت روی حیوانات آزمایش کرده‌اند. نتایج این پروژه ارزشمند می‌تواند در ساخت داروهای مختلفی برای درمان بیماری‌هایی همچون سرطان و نورودژنراتیو استفاده شود. آمارها نشان می‌دهند مصرف بی رویه آنتی‌بیوتیک‌ها و جهش‌ مداوم عوامل بیماری‌زا به شکل نگران‌کننده‌ای مقاومت باکتریایی در برابر آنتی‌بیوتیک‌ها را به همراه داشته است. به همین دلیل اگر دانشمندان موفق نشوند داروهای جدیدی را تولید کنند، عفونت‌های مقاوم می‌توانند تا سال 2050 هر ساله نزدیک به 10 میلیون نفر را قربانی کنند. در چند دهه گذشته، روند شناسایی و تایید آنتی‌بیوتیک‌های جدید آهنگ کاملا کندی داشته است. ‌پژوهشگران دائما در حال شناسایی مولکول‌های تکراری هستند، به همین دلیل به ترکیبات شیمیایی جدید با مکانیزم‌های عملکردی جدید نیاز داریم.»

کالینز که تیمی متشکل از متخصصان هوش مصنوعی، زیست‌پزشکی و بیماری‌های عفونی را رهبری می‌کند موفق به ساخت یک شبکه عصبی الهام گرفته از معماری مغز انسان شده است. تیم تحت سرپرستی او شبکه عصبی را به گونه‌ای آموزش داده‌اند تا ویژگی‌های مولکول‌ها را جزء به جزء و اتم به اتم یاد بگیرد. این شبکه عصبی با مجموعه‌ای متشکل از 2335 مولکول که فعالیت ضدباکتریایی آن‌ها به اثبات رسیده آموزش دیده است. داده‌هایی که به عنوان ورودی در اختیار این شبکه عصبی قرار گرفت مشتمل بر کتابخانه‌ای بالغ بر 300 آنتی‌بیوتیک دارای تاییده رسمی و 800 محصول طبیعی از منابع گیاهی، جانوری و میکروبی بود. رجینا برزیلی متخصص هوش مصنوعی و یکی از نویسندگان این پروژه تحقیقاتی می‌گوید: «الگوریتم به گونه‌ای آموزش دیده که عملکرد مولکول‌ها را فارغ از هیچ‌گونه ایده اولیه در مورد نحوه عملکرد داروها و بدون برچسب‌گذاری گروه‌های شیمیایی پیش‌بینی می‌کند. به همین دلیل این مدل قادر است، الگوهای جدیدی که متخصصان انسانی قادر به شناسایی آن‌ها نیستند را تشخیص دهد.» این تیم تحقیقاتی پس از آموزش مدل، الگوریتم هوشمند را برای غربال‌گری کتابخانه‌ Drug Repurposing Hub به کار گرفتند. کتابخانه‌ای که نزدیک به 6 هزار مولکول تحت بررسی برای درمان بیماری‌های مختلف انسانی درون آن ذخیره شده است. در این آزمایش مدل هوشمند باید به پیش‌بینی این موضوع می‌پرداخت که کدام مولکول‌ها در برابر اشریشیا کلی (Escherichia coli) کارآمد هستند و تنها مولکول‌هایی که با آنتی‌بیوتیک‌های معمولی متفاوت هستند را نشان می‌داد. از میان مولکول‌های پیشنهاد شده توسط این سامانه، پژوهشگران نزدیک به 100 مولکول را برای آزمایش فیزیکی انتخاب کردند. آزمایش‌های فیزیکی نشان داد یکی از این مولکول‌ها به‌نام هالیسین که برای درمان دیابت استفاده می‌شود یک آنتی‌بیوتیک قدرتمند است. در آزمایش روی موش‌ها مشخص شد مولکول یاد شده در برابر مجموعه گسترده‌ای از پاتوژن‌ها همچون کلوستریدیوم سخت (Clostridioides difficile) و آنسینتوباکتر بائومانی (Acinetobacter baumannii) که مقاومت آنتی‌بیوتیکی دارند تاثیرگذار است.

کنترل پروتون

آنتی‌بیوتیک‌ها عملکردی متفاوت دارند. عملکرد آنتی‌بیوتیک‌ها به این صورت است که با مهار آنزیم‌های درگیر در بیوسنتز جداره مولکولی، ترمیم دی‌ان‌ای یا سنتز پروتین به مقابله با باکتری‌ها می‌پردازند. با این‌حال مولکول هالیسین عملکرد متفاوتی دارد. مولکول فوق، جریان پروتون‌ها را در غشای سلول مختل کرده، درجه سمی بودنش کمتر است و در برابر مقاومت باکتریایی مقاوم‌تر است. آزمایش‌های بیشتر نشان داد که مقاومت در برابر سایر ترکیبات آنتی‌بیوتیکی ظرف یک یا دو روز به وجود می‌آید، در حالی که برای هالیسین پس از گذشت 30 روز مقاومت به وجود می‌آید. در مرحله بعد، پژوهشگران نزدیک به 107 میلیون ساختار مولکولی موجود در بانک اطلاعاتی ZINC15 را با استفاده از این مدل هوشمند جست‌وجو کردند. 23 مورد از این مولکول‌ها برای آزمایش‌های فیزیکی انتخاب شدند که 8 مورد از آن‌ها فعالیت ضدباکتریایی داشتند. دو مورد از این مولکول‌ها در برابر طیف گسترده‌ای از پاتوژون‌ها فعالیت قدرتمندی داشتند و توانستند بر سویه‌های مقاوم در برابر آنتی‌بیوتک‌ باکتری اشریشیا کلی غلبه کنند. باب مورفی زیست‌شناس دانشگان کارنگی ملون می‌گوید: «دستاورد این گروه تحقیقاتی ارزشمند است و نشان می‌دهد الگوریتم‌های هوشمند در شناسایی و کشف مولکول‌های جدید فراتر از حد انتظار عمل می‌کنند. در گذشته نیز از هوش مصنوعی برای کنکاش در بانک‌های اطلاعاتی بزرگی متشکل از ژن‌ها و متابولیت‌ها با هدف شناسایی مولکول‌هایی که حاوی آنتی‌بیوتیک‌های جدید بودن استفاده شده، اما کاری که کالینز انجام داده متفاوت است. آن‌ها به سراغ جست‌وجو با هدف پیدا کردن ساختارهای خاص یا کلاس‌های مولکولی نرفتند، بلکه موفق شدند شبکه عصبی را به شکلی آموزش دهند تا مولکول‌هایی که فعالیت خاص دارند را پیدا کند.» اکنون این تیم تحقیقاتی آماده است تا هالیسین را در کارآزمایی‌های بالینی به شکل دقیق‌تری آزمایش کرده و آنتی‌بیوتیک‌های جدید را تولید کند.

ساخت اولین واکسن جهان توسط هوش مصنوعی

قابلیت‌های هوش مصنوعی محدود به شناسایی مولکول‌های قدرتمند و ساخت آنتی‌بیوتیک‌های جدید نمی‌شود. در نمونه قابل تامل دیگری، پژوهشگران دانشگاه فیلندرز استرالیا از هوش مصنوعی برای ساخت واکسنی قدرتمند برای غلبه بر ویروس آنفلوآنزا استفاده کردند. نیکولای پترووسکی که مدیریت این پروژه تحقیقاتی را بر عهده داشت در مصاحبه با سایت sciencealert گفت: «ما موفق شدیم اولین داروی قابل استفاده روی انسان‌ها که توسط هوش مصنوعی توسعه داده شده را تولید کنیم. در گذشته نیز داروهایی توسط هوش مصنوعی توسعه پیدا کرده بودند، اما واکسنی که الگوریتم هوشمند ما طراحی کرده ماحصل یک کار علمی تحقیقاتی پیشرفته است. واکسنی که به‌طور مستقل توسط برنامه هوش مصنوعی که SAM سرنام Search Algorithm for Ligands  به معنای الگوریتم جست‌وجوی لیگاندها نامیده می‌شود ساخته شده است. نام الگوریتم فوق اشاره به کاری دارد که الگوریتم انجام می‌دهد، جست‌وجوی تمامی ترکیبات ممکن با هدف پیدا کردن دارویی که مناسب انسان‌ها است. الگوریتم هوشمند با مجموعه ترکیبات شناخته شده‌ای که سیستم ایمنی بدن انسان را فعال می‌کنند و مجموعه ترکیباتی که روی سیستم ایمنی تاثیری ندارند آموزش داده شده است. پس از آموزش‌های اولیه هوش مصنوعی باید بدون دخالت انسان فرق میان داروی اثربخش و داروی بدون تاثیر را شناسایی می‌کرد. در مرحله بعد برنامه دیگری به‌نام شیمیدان مصنوعی (synthetic chemist) طراحی کردیم که تریلیون‌ها ترکیب شیمیایی مختلف را تولید می‌کرد. در ادامه این ترکیبات را به مدل هوشمند SAM وارد کردیم تا تمامی ترکیبات ممکن را بررسی کرده و داروی مناسب انسان‌ها را پیدا کند. در ادامه کاندیداهای برتری که SAM شناسایی کرده بود برای آزمایش‌های فیزیکی انتخاب شدند و در ادامه برای بررسی میزان اثربخشی داروها روی سلول‌های خونی انسانی این کاندیداها را آزمایش کردیم. نتایج نشان دادند مدل هوشمند SAM ضمن آن‌که موفق شده بود به درستی داروهای موثر را شناسایی کند، بلکه توانسته بود گزینه‌های بهتری را به جای داروهای فعلی پیشنهاد دهد. در مرحله بعد داروهایی که SAM معرفی کرده بود را وارد فاز سنتز و آزمایش حیوانی کردیم تا تاثیر آن‌ها را با هدف بهبود اثربخشی واکسن آنفلوآنزا بررسی کنیم. پروژه‌ای که روی آن متمرکز بودیم نه تنها فرآیند کشف و توسعه داروهای جدید را چند سال کوتاه‌تر کرد، بلکه هزینه تولید را میلیون‌ها دلار کمتر کرد. نتایج به دست آمده روی حیوانات آزمایشگاهی نشان داد واکسن جدید در برابر آنفلوآنزا چند برابر عملکردی بهتری از واکسن‌های موجود دارد.»

قرار است واکسن جدید در زمان شیوع آنفلوآنزا در استرالیا به‌طور محدود آزمایش شود. آمار سازمان بهداشت استرالیا نشان می‌دهد تا قبل از ژوئن سال 2019 میلادی 228 نفر در این کشور بر آنفلوآنزا جان خود را از دست داده‌اند. گزارش نهادهای بهداشتی نشان می‌دهد در برخی موارد افرادی که واکسن آنفلوآنزا را دریافت کرده بودند، بازهم گرفتار این بیماری شدند که نشان می‌دهد ساخت واکسنی جدید برای مقابله با این بیماری تنفسی ضروری است. در سال 2019 میلادی بیش از 96 هزار مورد آنفلوآنزا تنها در کشور استرالیا گزارش شد که این مقیاس در کشورهای دیگری همچون ایالات متحده و همچنین قاره اروپا و آسیا بیشتر است. به‌طور مثال، تنها در ایالات متحده هر ساله هزاران نفر بر اثر ابتلا به آنفلوآنزا جان خود را از دست می‌دهند. پترووسکی امیدوار است واکسن ساخت تیم تحت سرپرستی او عملکردی بهتر از واکسن‌های استاندارد داشته باشد و به عنوان جایگزین یا مکملی برای واکسن‌ آنفلوآنزا مورد تایید قرار گیرد. او می‌گوید: «اگر میزان اثر‌بخشی این واکسن امیدوارکننده باشد، این امکان وجود دارد که از همین فناوری برای توسعه واکسن‌های دیگری برای مقابله با بیماری‌هایی همچون کووید 19 استفاده کرد.»

استرالیا از جمله کشورهای به‌نام در زمینه انتشار مقالات مرتبط با علوم پزشکی بنیادین است، اما در زمینه توسعه داروها یا درمان‌های جدید عقب‌تر از کشورهای پیشرفته است. بیشتر موسسات سرمایه‌گذاری استرالیایی منابع مالی خود را روی پژوهش‌های تحقیقاتی بزرگ‌تر سرمایه‌گذاری می‌کنند، به همین دلیل پژوهشگران آزاد که خارج از موسسات تحقیقاتی یا دانشگاهی مشغول به کار هستند شانس کمی برای جذب سرمایه‌های مالی دارند. به همین دلیل برخی از پژوهشگران استرالیا مجبور می‌شوند برای انجام فعالیت‌های خود به کشورهای دیگری مهاجرت کنند. در نمونه اخیر آقای پترووسکی برای ادامه پروژه خود مجبور شد از موسسه ملی سلامت امریکا تقاضای کمک مالی کند که مورد قبول قرار گرفت، زیرا درخواست اعتبار پژوهشی او از سوی سازمان NHMRC استرالیا رد شده بود. سخن‌گوی سازمان NHMRC در خصوص رد درخواست آقای پترووسکی می‌گوید: «درخواست‌های مالی ارسال شده برای این سازمان در ارتباط با پروژه‌های سلامت و پزشکی به دقت از سوی کارشناسان بررسی می‌شوند و اگر پارامترهای لازم همچون شفافیت، درستی و قابل اجرا بودن آن‌ها تایید شود به درخواست مالی آن‌ها ترتیب اثر داده می‌شود. به همین دلیل تنها درخواست‌هایی که بالاترین کیفیت را دارند از سوی این سازمان تامین مالی می‌شوند.»