ساخت داروهای جدید با مقداری هوش مصنوعی

چکیده:
تکنیک‌های هوش مصنوعی، به ویژه آن که به «یاد گیری عمیق» موسوم شده است، می‌توانند بسیاری از جنبه‌های کشف داروها را سرعت بخشند. یاد گیری عمیق در واقع یک سیستم است که با آنالیز مقدار زیادی داده، از خودش یاد می‌گیرد که یک بازی یا برنامه را پیش ببرد و مثلاً در حل مسأله تا شویی پروتئین پیشرفت قابل ملاحظه‌ای حاصل کند.
تعداد کلمات: 1140   /   تخمین زمان مطالعه: 5 دقیقه

 

 

مترجم: علی رضایی میرقائد

 
 
شما می‌توانید به آن به عنوان یک جام جهانی از تحقیقات بیوشیمی فکر کنید.
 
هر دو سال، صدها دانشمند وارد یک رقابت جهانی می‌شوند. با در نظر گرفتن یک پازل بیولوژیکی که "پروتکل تا شوندگی پروتئین" نامیده می‌شود، آنها سعی می‌کنند شکل سه بعدی پروتئین در بدن انسان را پیش بینی کنند. هیچ کس نمی‌داند که چگونه مسأله را حل کند. حتی برندگان فقط به آن نوکی می‌زنند. اما دست یابی به یک راه حل می‌تواند تلاش دانشمندان را برای ایجاد داروهای جدید و مقابله با بیماری ساده کند.
 
محمد القریشی، یک متخصص زیست شناسی که حرفه خود را برای این نوع تحقیق اختصاص داده است، در اوایل ماه دسامبر به کانکون، مکزیک، جایی که دانشگاهیان جمع می‌شدند تا در مورد نتایج آخرین مسابقه گفتگو کنند، پرواز کرد. همین که ورودی خود را به هتل محل اقامتش، که میعادگاهی پنج ستاره در کارائیب بود، زد با دچار شدن به مالیخولیا شروع کرد به تحلیل رفتن.
مسابقه، که ارزیابی انتقادی پیش بینی ساختار بود، توسط هیچ دانشگاهیِ برنده‌ای نداشت، بلکه برنده آن DeepMind، آزمایشگاه هوش مصنوعی متعلق به شرکت مادر گوگل، بود. دکتر القریشی، که محققی در دانشکده پزشکی هاروارد است، گفت: "من تعجب کردم و وارفتم.
 
DeepMind متخصص در "یادگیری عمیق"، نوعی از هوش مصنوعی است که به سرعت در حال تغییر علم کشف دارو است. تعداد روزافزونی از شرکت‌ها در حال اِعمال روش‌های مشابه به دیگر بخش‌های فرایند طولانی و بسیار پیچیده‌ی تولید داروهای جدید هستند. این تکنیک‌های هوش مصنوعی می‌توانند بسیاری از جنبه‌های کشف داروها را سرعت بخشند و در برخی موارد وظایفی را که معمولا توسط دانشمندان انجام می‌شود، انجام می‌دهند.اگر دانشمندان بتوانند شکل پروتئین را پیش بینی کنند، بهتر از آن می‌توانند تعیین کنند که چگونه مولکول‌های دیگر به آن متصل می شوند.
 
Derek Lowe، یک پژوهشگر کشف داروها و نویسندۀ In Pipeline، وبلاگی در مورد کشف دارو که به طور گسترده‌ای خوانده می‌شود، گفت: "این گونه نیست که ماشین‌ها قرار است جای دارو سازان را بگیرند،" "بلکه این گونه است که شیمی دانانی که از ماشین استفاده می‌کنند جای گزین کسانی می‌شوند که نمی‌کنند."
 
پس از کنفرانس در کانکون، دکتر القریشی تجربه خود را در یک پست وبلاگ شرح داده است. مالیخولیایی که او پس از باخت به DeepMind احساس کرد، راه را برای آنچه که او "ارزیابی منطقی از ارزش پیشرفت علمی" نامید باز کرد.
 
اما او به شدت از شرکت‌های دارویی بزرگ مانند Merck و Novartis، و همچنین جامعه دانشگاهی خود، به خاطر عدم تداوم کار، انتقاد کرد.
 
او نوشت: "باهوش‌ترین و بلند پروازانه‌ترین محققان که مایل به کار بر روی ساختار پروتئین هستند، به جای یافتن Merck یا Novartis به DeepMind برای فرصت‌ها نگاه خواهند کرد. این حقیقت باید باعث خنک شدن ستون فقرات مدیران داروخانه شود".
 
شرکت های داروسازی بزرگ این وضعیت را متفاوت می‌بینند. اگر چه Merck در حال بررسی پروتئین تاشو نیست، زیرا محققان آن معتقدند که تاثیر بالقوه نتیجه تحقیق سال‌ها به درازا خواهد کشید، اما در حال استفاده از روش یاد گیری عمیق در سایر جنبه‌های روند کشف دارو است. خوان آلوارز، معاون رئیس شیمی محاسباتی و ساختاری در Merck، گفت: "ما باید چند نقطه دیگر را متصل کنیم."
 
در بهار سال 2016، پس از ساخت سرصفحه‌هایی با سیستم‌های هوش مصنوعی که بازی‌های پیچیده‌ای مانند بازی‌ تخته‌ای باستانی هیجان انگیز Go را بازی می‌کردند، محققان DeepMind به دنبال چالش‌های جدید بودند. بنابراین آنها یک "همایش جمعی" در مقر شرکت در لندن برگزار کردند.
 
محقق پژوهشگر DeepMind Rich Evans در حال کار با دو دانشمند دیگر کامپیوتر روی مسأله تا شوندگی پروتئین بود. آنها یک بازی را پیدا کردند که این کار علمی را شبیه سازی کرد. آنها یک سیستم را ایجاد کردند که از خودش یاد گرفت که بازی را پیش ببرد و نتایج به اندازه کافی برای DeepMind امیدوار کننده بودند تا یک پروژه تحقیقاتی تمام وقت را به آن اختصاص دهد.
 
پروتکل تا شوئی یک سوال ساده را مطرح می کند: آیا می توان ساختار فیزیکی یک پروتئین را پیش بینی کرد - شکل آن در سه بعد را؟
 
اگر دانشمندان بتوانند شکل پروتئین را پیش بینی کنند، بهتر از آن می‌توانند تعیین کنند که چگونه مولکول‌های دیگر به آن متصل می شوند، یا به طور فیزیکی می‌چسبند- و این یک راه است برای توسعه داروها. یک دارو به پروتئین‌های خاصی در بدن شما پیوند می‌خورد و رفتار آنها را تغییر می‌دهد.
 
در آخرین مسابقه، DeepMind این پیش بینی‌ها را با استفاده از "شبکه های عصبی"، که سیستم های ریاضی پیچیده‌ای هستند که می‌توانند با تجزیه و تحلیل مقادیر زیادی داده کارهای خود را یاد بگیرند، انجام داد. با تجزیه و تحلیل هزاران پروتئین، یک شبکه عصبی می‌تواند یاد بگیرد که شکل دیگران را پیش گویی کند.
 
این همان تکنولوژی یادگیری عمیق است. در طول دهه گذشته، این تکنولوژی طیف گسترده‌ای از خدمات اینترنتی، محصولات مصرفی، دستگاه‌های رباتیک و سایر زمینه‌های تحقیق علمی را به ارمغان آورده است.
 
بسیاری از آکادمیکانی که در رقابت بودند، روشهای مشابهی با DeepMind داشتند. اما DeepMind برنده رقابت با یک حاشیه قابل توجه شد - آن را بهبود داد با پیش بینی‌ای تقریبا دو برابر بیشتر از آن چه کارشناسان از برنده مسابفه انتظار داشتند.
 
پیروزی DeepMind نشان داد که آینده تحقیقات بیوشیمی به طور فزاینده‌ای توسط ماشین آلات و افرادی که این ماشین‌ها را نظارت می‌کنند، هدایت می‌شود. "این گونه نیست که ماشین‌ها قرار است جای دارو سازان را بگیرند،" "بلکه این گونه است که شیمی دانانی که از ماشین استفاده می‌کنند جای گزین کسانی می‌شوند که نمی‌کنند."
 
دمیس حسابی، مدیر اجرایی و یکی از بنیانگذاران DeepMind گفت: "این اجازه می‌دهد تا ما خلاق‌تر باشیم و بسیاری از ایده‌های بیشتر را امتحان کنیم، اغلب به صورت موازی."
 
دانشگاه‌ها و شرکت‌های دارویی بزرگ بعید است که این منابع را مطابقت دهند. اما با توجه به خدمات ابر محاسباتی ارائه شده توسط گوگل و دیگر غول‌های فن آوری، قیمت قدرت محاسبات همچنان کاهش می‌یابد. دکتر AlQuraishi از جامعه زندگی علوم خواست تا توجه بیشتری نسبت به نوع هوش مصنوعیِ کاری که توسط DeepMind انجام می‌شود صورت گیرد.
 
برخی از محققان در حال حاضر در این مسیر حرکت می‌کنند. بسیاری از راه اندازی‌های جدید مانند Atomwise در سانفرانسیسکو و Recursion در سالتلیک سیتی از همین تکنیک‌های هوش مصنوعی برای تسریع بخشیدن به سایر جنبه‌های کشف دارو استفاده می‌کنند. برای مثال، Recursion از شبکه های عصبی و سایر روش‌ها برای تجزیه و تحلیل تصاویر سلول‌ها استفاده می‌کند و یاد می‌گیرد که داروهای جدید بر این سلول‌ها چگونه تأثیر می‌گذارد.
 
برگرفته از سایت The New York Times