ساخت دارو با هوش مصنوعی و مراحل آن

فرایند توسعه دارو به گران بودن معروف است. حجم زیادی از فرایندهای تحلیلی تهیه‌ی دارو با استفاده از یادگیری ماشین می‌توانند بهینه‌سازی شوند. بدین شکل می‌توان سال‌ها کار و میلیون‌ها دلار سرمایه ‌گذاری را شبیه‌سازی کرد.داروسازی چهار مرحله اصلی دارد که هوش مصنوعی توانسته در همه‌ی این مراحل ورود پیدا کند:

  • مرحله اول: تعیین کردن اهداف برای مداخله
  • مرحله دوم: کشف داروهای نامزد
  • مرحله سوم: سرعت دادن به آزمایش‌های بالینی
  • مرحله چهارم: یافتن نشانه‌های زیستی برای تشخیص دارو

در سامانه تله ویزیت، بصورت آنلاین توسط  دکتر فاطمه نعمت اللهی  ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.

ساخت دارو با هوش مصنوعی: تعیین کردن اهداف برای مداخله

اولین قدم توسعه دارو شناسایی منشا زیستی بیماری و سازوکارهای مقاومتی آن است. سپس باید اهداف خوبی را برای درمان بیماری شناسایی کرد که معمولا پروتئین‌ها هستند. تکنیک‌های بسیار زیادی مانند غربالگری short hairpin RNA و ترتیب‌گذاری عمیق آن‌ها (deep sequencing) وجود دارند. این تکنیک‌ها باعث جمع‌آوری حجم زیادی داده جهت شناسایی مسیرهای هدف ممکن می‌شوند. با این حال، روش‌های قدیمی برای محاسبه حجم زیاد و متنوع منابع داده و یافتن مسیر مرتبط با چالش‌های زیادی مواجه‌اند. الگوریتم‌های هوش مصنوعی می‌توانند به سهولت بیشتری همه‌ی داده‌های موجود را تحلیل کنند و حتی می‌توانند بیاموزند که به‌صورت خودکار اهداف پروتئینی خوب را شناسایی کنند.

ساخت دارو با هوش مصنوعی: کشف داروهای نامزد

در مرحله بعدی نیاز داریم ترکیبی پیدا کنیم که بتواند با مولکول‌های هدف مشخص شده در مسیر خواسته شده واکنش دهد. این مرحله شامل آزمایش هزاران و یا میلیون‌ها ترکیب احتمالی از ترکیب‌ها است. در این آزمایش‌ها تاثیرات این ترکیب‌ها روی بافت هدف و هم‌چنین عوارض جانبی آن‌ها مانند سمی بودن باید بررسی شوند. این ترکیبات می‌توانند طبیعی، مصنوعی و یا زیست‌مهندسی شده (رشد دادن بافت‌هایی که به کمک مهندسان بیومتریال ساخته می‌شوند) باشند. با این وجود، سازوکار فعلی اغلب دقیق نیست و نتایج اشتباهی را به همراه دارد. این فرایند به زمان زیادی احتیاج دارد تا گزینه‌ها را محدود کند و به بهترین نامزدهای دارویی (مرسوم به لیدهای دارویی) برسد. هوش مصنوعی و یادگیری ماشین در این مرحله نیز کارساز است. این الگوریتم‌ها می‌توانند بیاموزند که میزان تطابق یک مولکول را شناسایی کنند. آن‌ها این شناسایی را از روی سرنخ‌های ساختاری و شناساگرهای مولکولی انجام ‌می‌دهند. سپس آن‌ها از بین میلیون‌ها مولکول احتمالی بهترین گزینه‌هایی که کم‌ترین عوارض جانبی داشته باشند را انتخاب می‌کنند. این روش زمان زیادی را در  طراحی دارو ذخیره می‌کند.

در سامانه تله ویزیت، بصورت آنلاین توسط  دکتر سیروس مومن زاده  ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.

ساخت دارو با هوش مصنوعی: سرعت دادن به آزمایش‌های بالینی

یافتن افراد مناسب برای آزمایش‌های بالینی کار دشواری است. اگر افراد اشتباه انتخاب شوند روند آزمایش به تاخیر می‌افتد و زمان و منابع زیادی را به هدر می‌دهد. یادگیری ماشین می‌تواند با شناسایی نامزدهای مناسب به‌ طور خودکار روند طراحی آزمایش‌های بالینی را سرعت ببخشد. هم‌چنین یادگیری ماشین توزیع درستی از گروه‌های شرکت کننده در آزمایش را تضمین می‌کند. الگوریتم‌ها می‌توانند نامزدهای خوب را از نامزدهای بد تفکیک کنند. به‌علاوه این الگوریتم‌ها می‌توانند به عنوان یک سیستم هشدار دهنده برای آزمایش‌های بالینی ناموفق وارد شوند. در این‌صورت به موقع به محققان اجازه‌ی مداخله و جلوگیری از تهیه‌ی دارو را می‌دهند.

ساخت دارو با هوش مصنوعی: یافتن نشان‌گرهای زیستی برای تشخیص دارو

شما فقط درصورتی می‌توانید بیماری را درمان کنید که از تشخیص خود مطمئن باشید. بعضی روش‌ها بسیار گران قیمت هستند و نیاز به آزمایشگاه‌های پیشرفته و افراد متخصص دارند، روش‌هایی مانند غربالگری توالی ژنتیکی. نشان‌گرهای زیستی مولکول‌هایی هستند که در مایعات بدن (معمولا خون انسان) دیده می‌شوند. این نشان‌گرها با درصد قطعیت بالایی می‌توانند مشخص کنند که ‌آیا فردی بیمار است یا خیر. بدین صورت فرایند تشخیص بیماری ایمن و ارزان قیمت خواهد شد. هم‌چنین از این نشان‌گرها برای مشخص کردن محل رشد بیماری استفاده می‌شود. در این صورت پزشکان می‌توانند راحت‌تر درمان درست را انتخاب کنند و بررسی کنند که داروی مورد نظر به درستی کار کند؛ اما کشف نشان‌گر زیستی برای هر بیماری خاصی دشوار استو زمان و هزینه‌های زیادی به همراه دارد. به همین دلیل مجددا شاهد کاربرد هوش مصنوعی در پزشکی هستیم.

هوش مصنوعی می‌تواند درصد بالایی از کارهای انسانی را سرعت ببخشد. این الگوریتم‌ها مولکول‌ها را به نامزدهای خوب و بد دسته‌بندی می‌کنند. این به متخصصان اجازه می‌دهد که روی تحلیل برترین نتایج تمرکز کنند. شناساگرهای زیستی برای تشخیص موارد زیر به کار می‌روند:

  • وقوع بیماری در کم‌ترین زمان ممکن – نشان‌گر زیستی تشخیصی
  • خطر وقوع بیماری در یک فرد – نشان‌گر زیستی ریسک
  • احتمال گسترش بیماری – احتمال پیشرفت بیماری – نشان‌گر زیستی پیش‌گیری
  • احتمال جواب دادن یک بیمار به دارو – نشان‌گر زیستی پیش‌بینی کننده

هوش مصنوعی کاربردهای بیشماری در زمینه پزشکی و درمان دارد. معنی این کاربرهای بیشمار آن است که از تشخیص ارتباط بین کدهای ژنتیکی گرفته تا استفاده از ربات های هوش مصنوعی برای عمل های جراحی دشوار، همه و همه در زمره کاربرهای هوش مصنوعی در زمینه پزشکی می باشد. هوش مصنوعی با همه این کاربردهایش توانسته دوره مدرنی را در خدمات درمان و سلامتی ایجاد کند و آن را به سطح دیگری ببرد.

 

منبع amerandish و fanology

 

همچنین بخوانید:

بهداشت و درمان و بلاک چین

بیمارستانهای هوشمند

جمع‌آوری و درک اطلاعات پزشکی با اینترنت اشیا به چه معناست؟

بالا