Drug Repurposing
به‌طور متوسط 13 سال زمان و حدود 2 تا 3 میلیارد دلار هزینه لازم است تا یک داروی جدید از آزمایشگاه به بالین بیاید. Drug Repurposing یا هدف‌گذاری مجدد دارو، کشف اندیکاسیون‌های جدید برای یک داروی تأییدشده یا مورد بررسی است. از آنجایی که دوز و ایمنی دارو به‌خوبی مطالعه شده است، آزمایش‌های بالینی را می‌توان سرعت بخشید و به‌طور قابل توجهی در زمان و هزینه صرفه‌جویی کرد. در واقع استفاده مجدد از دارو فرایندی است که در آن اثرات جدید داروها یا ترکیبات دارویی بر اساس داروهای موجود نشان داده می‌شود.
نمونه‌های موفقی از استفاده مجدد از دارو وجود دارد، مانند استفاده از متفورمین برای سرطان‌های مختلف، سیلدنافیل سیترات برای اختلال نعوظ، و تالیدومید برای مولتیپل میلوما. روش‌های مختلف مبتنی بر داده و تجربی برای شناسایی کاندیدهای دارویی قابل استفاده مجدد پیشنهاد شده‌اند. با این حال، چالش‌های فنی و نظارتی عمده‌ای نیز وجود دارد که باید مورد توجه قرار گیرد.
همچنین بخوانید: افزایش ایمنی درمان با استفاده از هوش مصنوعی
مقایسه روش سنتی و هوش مصنوعی
پژوهش‌های مبتنی بر دنیای واقعی می‌توانند از داده‌های انبوه برای انعکاس روند واقعی تشخیص، درمان و وضعیت سلامت بیماران در موقعیت واقعی بهره ببرند. آزمایش‌های زیست‌پزشکی سنتی مبتنی بر assays های اتصال و غربالگری فنوتیپی هستند که گران و زمان‌بر هستند؛ اما روش‌هایin-silico محبوبیت خود را از طریق تجزیه و تحلیل داده‌های مبتنی بر روش‌های هوش مصنوعی، مانند تجزیه و تحلیل ارتباط ژنتیکی، نقشه‌برداری مسیر، اتصال مولکولی به دست می‌آورند؛ زیرا این روش‌ها اجازه می‌دهند همه تجزیه و تحلیل‌ها انجام شوند.
از آنجایی که روش‌های آماری سنتی در مدیریت حجم زیادی از داده‌ها محدودیت دارند، یادگیری عمیق یا deep learning و هوش مصنوعی را می‌توان برای سیگنال‌دهی و استخراج نتایج از داده‌های عظیم به‌دلیل قدرت فوق‌العاده آن به کار برد. حیاتی‌ترین نکته در استفاده مجدد از دارو، شناسایی ارتباط‌های جدید بین داروها و بیماری‌ها است. روش‌های یادگیری ماشین نقش حیاتی در مطالعه استفاده مجدد دارو دارند. در طول دهه‌های گذشته روش‌های یادگیری عمیق دارای قدرت قابل توجهی در سیگنال‌دهی و کشف داروهای قابل استفاده مجدد هستند.
نقش هوش مصنوعی و شرکت‌ها
حدود 17 درصد استفاده هوش مصنوعی در حوزه Drug Repurposing است. هوش مصنوعی بینش‌هایی را در مورد پلی‌فارماکولوژی یا توانایی اتصال به اهداف مختلف، مرتبط با یک یا چند شرایط، به محققان می‌دهد. همانند شناسایی هدف، یک رویکرد رایج در اینجا ایجاد نمودارهای دانشی است که روابط بین ژن‌ها، بیماری‌ها و داروها را منعکس می‌کند. سپس شبکه عصبی پیشبینی اتصالات ناشناخته قبلی را انجام می‌دهد بنابراین جای تعجب نیست که همه شرکت‌های بزرگ داروسازی روی هوش مصنوعی سرمایه‌گذاری می‌کنند؛ به ویژه در یادگیری عمیق که این پتانسیل را دارد که شکار داروها را ارزان‌تر، سریع‌تر و دقیق‌تر کند.
به‌طور مثال BenevolentAI از الگوریتم‌های هوش مصنوعی برای شناسایی داروهای موجود که می‌توانند کووید ۱۹ را برطرف کنند، استفاده کرد. محققان تنها در 48 ساعت، Baricitinib (که برای آرتریت روماتوئید شناخته شده است)، به‌عنوان بهترین کاندید شناسایی کردند. آزمایش‌های بالینی اثر ضد ویروسی این دارو را تأیید کردند. در نهایت توسط FDA برای درمان بزرگسالان بستری در بیمارستان مبتلا به کرونا تأیید شد.
همچنین بخوانید: طراحی دارو با هوش مصنوعی | داستان استارت‌آپ AccutarBio
جمع‌بندی
یادگیری ماشین و هوش مصنوعی نقش مهمی در مطالعه استفاده مجدد از دارو ایفا می‌کند؛ به‌خصوص از زمان وقوع COVID-19، دانشمندان در سراسر جهان از رویکردهای مبتنی بر یادگیری ماشین برای سیگنال‌دادن به داروهای مؤثر استفاده کردند. در حال حاضر هنوز مشکلاتی وجود دارد. با توسعه روش‌های یادگیری ماشینی، می‌توانیم کشف دارو را تسریع کنیم و سلامت انسان را به گونه‌ای که قبلاً ممکن نبوده است، بهبود بخشیم.