با دگرگونی هایی که در دنیای امروز در شکل بیماری ها رخ می دهد، طبیعتا با روش های درمانی قدیمی نمی توان به مقابله با آنها پرداخت. بنابراین محققان همواره به دنبال آن هستند تا بتوانند روش های نوین و منحصربه فردی را به عنوان درمان های نوینی پیدا کنند تا بیماران بتوانند با استفاده از این روش های درمانی جدید، امید به زندگی خود را افزایش دهند. با روی کار آمدن فناوری نوظهور هوش مصنوعی در دنیا، پزشکان و داروسازان و محققان به این فکر افتاده اند که از این شیوه نوین به منظور سرعت بخشیدن به اکتشافات دارویی استفاده کنند. یکی از اهدافی که آنها در حال استفاده از هوش مصنوعی هستند، تولید سلول های شبیه سازی شده ای هستند که به کشف بهتر و سریع تر داروها کمک می کند.
هوش مصنوعی، فرایند کشف دارو را در دنیا متحول کرده است اما پیش‌بینی دقیق واکنش‌ها، چالش‌برانگیز باقی می‌ماند. دانشمندان با توجه به نیاز برای ارتباط داروها با بیماران و افزایش هزینه‌های دارویی، به دنبال ابزارهای نوآورانه‌ای هستند که بتوانند آنها را به قوانین اساسی زیست‌شناسی متصل کند. شرکت «توربین» به تازگی یک پلتفرم شبیه‌سازی سلولی قابل تفسیر برای توسعه و کشف بهتر داروها را براساس این اصل توسعه داده است که رفتار سلولی انسان را توسط پروتئین‌ها و برهم‌کنش آنها هدایت می‌کند. مدیر ارشد این مرکز نوآورانه، در مورد چگونگی برتری آزمایشگاه دیجیتال سلولی شبیه‌سازی شده این شرکت، بحث‌هایی را در مورد پیش‌بینی واکنش‌های سلولی نسبت به اختلالات با استفاده از منطق سیگنال‌دهی پروتئین برای آموزش و یادگیری ماشینی مدل‌های بیماری ارائه می‌کند.
آزمایش‌های سیلیکونی جایگزین تست‌های آزمایشگاهی
با تغییراتی اخیر ایجاد شده در روندهای جهانی و حاکمیت سیاست کلان آزمایش‌های پیش بالینی در تحقیق و توسعه، بسیاری بر این باورند که فرصت لازم برای ایجاد آزمایش‌های سیلیکونی به منظور جایگزینی با تست‌های آزمایشگاهی فراهم شده است. باوجوداین، اختلاف کلیدی میان پیش‌بینی‌های محاسباتی خبررسان یا هدایت‌گر برای فرایندهای تست و اعتبارسنجی در مقابل جایگزینی آنها با یکدیگر وجود دارد. محققان به دنبال خلق جهانی برتر از نظر مقیاس‌پذیری، انعطاف‌پذیری و بهره‌وری ظهور سریع در سیستم‌های مدل سیلیکونی و اعتبارسنجی فرضیات برای اطمینان عینی هستند. شناسایی یک روش صحیح برای این روند چالش‌برانگیز است؛ به عنوان مثال، تست‌های آزمایشگاهی، نرخ تفسیر بالاتری از حد متوسط را برای حوزه آنکولوژی فراهم می‌کنند اما این برای سایر بخش‌ها صدق نمی‌کند. ایجاد روش‌های سیلیکونی، حساس به کیفیت و تعداد مجموعه داده‌های به کار رفته در خلال فرایند یادگیری است. درنتیجه، یافتن راه‌های مؤثرتر به منظور ارائه مدل‌های پیش‌بینی کننده وضعیت بیمار که بتواند به وضعیت بالینی با داده اثبات شده و ناکافی تفسیر شود، اهمیت بالایی دارد.
استفاده از هوش مصنوعی برای خلق داروهای مناسب
محققان به داروهای مناسبی برای بیماران نیاز دارند. این روند از سال‌ها پیش هم مشخص بود و همین مسیر هم دنبال می‌شد. استراتژی تحقیق و توسعه‌ای که در بازار دارویی دنیا دنبال می‌شود، به ارائه تأثیر بالاتر وابسته بوده و شانس بیشتری برای شفاف کردن فازهای بالینی بعدی نسبت به استراتژی‌های خوش‌بینانه‌ای دارد که تلاش می‌کنند خطوط لوله تولید دارو را در دسترس‌تر قرار دهند. این بدان معناست که برنامههای دارویی به یک استراتژی مناسب از مرحله کشف دارو نیاز دارند که در نهایت منجر به توسعه دارویی شود اما به طورکلی در مسیری معتبر و مبتنی بر درک از داده‌های دردسترس توسعه می‌یابد. روشی که در ابتدای این فرایند توسعه پیدا می‌کند، می‌تواند به محققان در اولویت‌بندی اهداف و ایده‌ها کمک کرده و قبول مسئولیت‌ها را به لحاظ تاریخی حساس‌تر و آسان‌تر کند.
راه‌حل‌های مبتنی بر AI برای بهبود توسعه دارویی
بیشتر شرکت‌های دارویی در حال حاضر از فضاهای مختلف رویکردهای مبتنی بر یادگیری ماشینی برای مجموعه داده‌های محدود یا هدف‌دار استفاده می‌کنند. آینده در هماهنگ کردن بسیاری از این مجموعه داده‌ها و یافتن راهی برای استخراج منطق بنیادی است که می‌تواند ارائه تحلیل‌های پیشگویانه را امکان‌پذیر کند که فراتر از داده های آموزشی تعمیم می‌یابند. مدل‌های بنیادی در این زمینه، وعده‌هایی را در این زمینه ارائه می‌دهند اما به داده‌های زیادی نیاز دارند تا با توجه به محدودیت‌های کیفیتی و بهره‌وری، به اندازه کافی قابل پیش‌بینی شوند.
عملکرد سلول شبیه‌سازی شده در مقایسه با تست‌های آزمایشگاهی
محققان در شرکت «توربین» تلاش می‌کنند تا داده‌ها را با یکدیگر ادغام کنند. روش سلول شبیه‌سازی شده را می‌توان تعمیم داد و تحلیل‌های پیشگویانه را بدون دستیابی به میلیون‌ها مجموعه داده بیمار ارائه داد که دستیابی به آنها غیراخلاقی و امکان‌پذیر هستند. آزمایشگاه مجازی با یک معماری شبیه به مدل پایه طراحی شده است که می‌تواند روی داده‌های چندوجهی به منظور توسعه یک مجموعه ویژگی غنی آموزش داده شود. آنها می‌توانند سلول‌های مجازی را با این فناوری تولید کرده و قادرند یاد بگیرند که چگونه مانند سلول‌های آشفته بیمار رفتار کنند. این مدل، حتی این ظرفیت را دارد که از داده‌های تأیید‌شده آزمایشگاهی به طور عملی، قابل اعتماد و سریع در بسیار از روش‌ها، بیماری‌ها و نمونه‌ها یاد بگیرد.
استفاده از سلول شبیه‌سازی شده در بهبود توسعه دارو
آزمایشگاه مجازی با امکان پیش‌بینی محاسبات، اثرات درمانی را فراهم کرده و به توسعه‌دهندگان دارو اجازه می‌دهد تا روی منابع تمرکز کرده و احتمال دسترسی بیماران به درمان‌های جدید را به طور قابل توجهی افزایش می‌دهد. محققان، یک دهه گذشته را صرف توسعه فناوری سلول شبیه‌سازی شده و ساخت یک آزمایشگاه آنکولوژی مجازی کرده‌اند. هدف محققان این است که یک دهه آینده را صرف ارائه این فناوری به بیمارن و مقابله با بیماری‌های پیچیده فراتر از آنکولوژی، از جمله بیماری‌های مرتبط با ایمنی یا بیماری‌های عصبی کنند.
شبیه‌سازها در مشارکت با شرکت‌های برتر و پیشرو در حوزه‌های دارویی و فناوری زیستی از قبیل «بایر»، آسترازنکا، «اونو» و «کنسر ریسرچ هورایزن» مورد تأیید قرار گرفته‌اند. شرکت «توربین» به دنبال آن است تا سلول شبیه‌سازی شده را با ابزارهای اکتشاف دارویی مبتنی بر هوش مصنوعی ادغام کرده و با سازمان‌های پژوهشی سراسر دنیا قراردادهایی را امضا کنند.
توسعه آینده داروهای هوش مصنوعی
محققان، آینده‌ای را متصور می‌شوند که طی آن، تست‌های آزمایشگاهی به عنوان گامی برای تولید داده‌های مؤثر و کنترل شده به منظور تغذیه پیش‌بینی کننده بیمار در صفحات پیش‌بالینی سیلیکونی مورد استفاده قرار می‌گیرد که نوع واکنش بیماران را به درمان‌ها شبیه‌سازی می‌کند. این روند را می‌توان به عنوان یک طراحی کامپیوتری برای زیست‌شناسی بیمار یا شبیه‌سازی یک کارخانه در نظر گرفت.
