هوش مصنوعی در کشف و طرحی دارو

محمد جواد سهرابی¹ فاطمه قریشوندی² محمد رضا رشیدی نوش آبادی³

1) استادیار فارماکولوژی، دانشگاه آزاد اسلامی واحد دامغان، ایران -
2) استادیار بیوشیمی بالینی، دانشکده پزشکی دانشگاه علوم پزشکی تهران، ایران -
3) استادیار فارماکولوژی، دانشکده پزشکی دانشگاه علوم پزشکی کاشان، ایران -

کد IOI مقاله : AAGF-AAGDDG
محل انتشار : نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
    هوش مصنوعی (AI) به عنوان یک نیروی تحول‌آفرین در علوم دارویی ظهور کرده و اساساً چشم‌انداز کشف و طراحی دارو را تغییر داده است. رویکردهای سنتی برای توسعه دارو معمولاً پرهزینه، زمان‌بر و با میزان بالای شکست در مراحل پیش‌بالینی و بالینی هستند. هوش مصنوعی با ادغام الگوریتم‌های یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی و تجزیه و تحلیل کلان‌داده، راه‌حل‌های قدرتمندی را برای تسریع شناسایی نامزدهای دارویی جدید، بهینه‌سازی ساختارهای مولکولی، پیش‌بینی خواص فارماکوکینتیک و فارماکودینامیک و کاهش نرخ فرسایش ارائه می‌دهد. هدف از این مطالعه بررسی نقش روش‌های مبتنی بر هوش مصنوعی در بهبود کارایی، دقت و نوآوری در کشف دارو بود. این تحقیق از یک روش‌شناسی جامع مبتنی بر مرور، تجزیه و تحلیل ادبیات فعلی، مطالعات موردی و کاربردهای عملی هوش مصنوعی در تحقیقات دارویی استفاده می‌کند. تأکید ویژه بر مدل‌های تولیدی برای طراحی مولکولی، سم‌شناسی پیش‌بینی‌کننده، غربالگری مجازی و تغییر کاربری داروهای موجود است. یافته‌ها نشان می‌دهد که هوش مصنوعی نه تنها هزینه‌ها و جدول‌های زمانی توسعه را کاهش می‌دهد، بلکه دقت در شناسایی اهداف درمانی و ترکیبات بالقوه اصلی را نیز افزایش می‌دهد. علاوه بر این، هوش مصنوعی با تطبیق کشف دارو با داده‌های ژنومی و بالینی خاص بیمار، نویدبخش پزشکی شخصی‌سازی‌شده است. با این حال، چالش‌هایی از جمله مسائل مربوط به کیفیت داده‌ها، ملاحظات اخلاقی، عدم شفافیت در تصمیم‌گیری هوش مصنوعی و عدم قطعیت‌های نظارتی همچنان پابرجاست. در مجموع، این مقاله نتیجه می‌گیرد که هوش مصنوعی ابزاری ضروری برای آینده کشف و طراحی دارو است که فرصت‌های بی‌سابقه‌ای را برای نوآوری دارویی ارائه می‌دهد، در حالی که برای تحقق کامل پتانسیل آن، به تلاش‌های مشترک بین دانشمندان، پزشکان، متخصصان داده و سیاست‌گذاران نیاز است.

کلمات کلیدی : هوش مصنوعی کشف دارو طراحی دارو یادگیری ماشینی پزشکی شخصی‌سازی‌شده [1] vamathevan j clark d czodrowski p et al applications of machine learning in drug discovery and development nat rev drug discov 2019 18 463 477 [2] ekins s puhl ac zorn km et al exploiting machine learning for end to end drug discovery and development nat mater 2019 18 435 441 [3] zhavoronkov a ivanenkov ya aliper a et al deep learning enables rapid identification of potent ddr1 kinase inhibitors nat biotechnol 2019 37 1038 1040 [4] jumper j evans r pritzel a et al highly accurate protein structure prediction with alphafold nature 2021 596 583 589 [5] stokes jm yang k swanson k et al a deep learning approach to antibiotic discovery cell 2020 180 688 702 [6] schneider g automating drug discovery nat rev drug discov 2018 17 97 113 [7] chen h engkvist o wang y olivecrona m blaschke t the rise of deep learning in drug discovery drug discov today 2018 23 1241 1250 [8] gawehn e hiss ja schneider g deep learning in drug discovery mol inform 2016 35 3 14 [9] mak kk pichika mr artificial intelligence in drug development present status and future prospects drug discov today 2019 24 773 780 [10] lee aa yang q sresht v et al deep generative models for molecular design j chem inf model 2019 59 1481 1496 [11] chen b ding y wild dj assessing drug target interaction prediction methods ai perspectives brief bioinform 2016 17 218 230 [12] zhavoronkov a artificial intelligence for drug discovery biomarker development and generation of novel chemistry mol pharm 2018 15 4311 4313 [13] vellanki p bhatia s raghava gp machine learning approaches in computational drug repurposing front pharmacol 2020 11 127 [14] ragoza m hochuli j idrobo e sunseri j koes dr protein ligand scoring with convolutional neural networks j chem inf model 2017 57 942 957 [15] tanoli z alam z vähä koskela m et al drug target interaction prediction databases web servers and computational models brief bioinform 2018 19 390 412 [16] wang y wang j su m et al ai driven drug discovery in the era of big data front pharmacol 2020 11 580339 [17] schneider n schneider g de novo design at the edge of feasibility generative modeling in medicinal chemistry chem sci 2020 11 9383 9397 [18] ebrahimi s ghaemi a et al machine learning in personalized medicine and drug discovery comput struct biotechnol j 2021 19 4621 4637 [19] gao k nguyen dd wang r wei gw generative network complex for the discovery of new molecules j chem inf model 2020 60 6192 6202 [20] chen l lu j ma y et al deep learning in drug discovery recent progress and future prospects drug discov today 2021 26 2707 2720