برخی می گویند که پتانسیل هوش مصنوعی در توسعه دارو اغراق آمیز است. دیگران می گویند که اگر چیزی کم گفته شود. حق با کیست؟ فقط زمان می تواند بگوید. در این میان، هر دو طرف – و افراد بلاتکلیف – مشتاقانه منتظر اخبار موفقیت ها و شکست های هوش مصنوعی هستند. برای کسانی که گمان می کنند پتانسیل هوش مصنوعی کمتر اعلام شده است، به تازگی خبری منتشر شده است که بدون شک به عنوان تاییدیه تلقی می شود، هرچند ممکن است برای شک کنندگان هوش مصنوعی جزئی یا احتمالی به نظر برسد.
خبر ظهور یک کاغذ در بیوتکنولوژی طبیعت توصیف اینکه چگونه هوش مصنوعی نه تنها کشف یک هدف ضد فیبروتیک را امکان پذیر کرد، بلکه یک مهارکننده مولکولی کوچک نیز برای هدف ایجاد کرد. سپس پتانسیل این مهارکننده در چندین مطالعه in vivo و در یک کارآزمایی فاز I تأیید شد.
این مقاله با عنوان «مهارکننده TNIK با مولکول کوچک فیبروز را در مدلهای بالینی و بالینی هدف قرار میدهد»، توضیح میدهد که چگونه دانشمندان در Insilico Medicine و همکارانشان از فناوری پیشبینی هوش مصنوعی برای رساندن داروی نامزد فیبروز ریوی ایدیوپاتیک (IPF) به آستانه فاز استفاده کردند. توسعه II.
نویسندگان مقاله نوشتند: «ما TRAF2- و NCK-interacting kinase (TNIK) را به عنوان یک هدف ضد فیبروتیک شناسایی می کنیم. “[We] INS018_055، یک مهارکننده TNIK با مولکول کوچک، که خواص دارویی مطلوب و فعالیت ضد فیبروتیک را در اندامهای مختلف در داخل بدن از طریق تجویز خوراکی، استنشاقی یا موضعی از خود نشان میدهد.
دانشمندان گزارش دادند: “این کار تقریباً در 18 ماه از کشف هدف تا نامزدی نامزد پیش بالینی تکمیل شد و تواناییهای خط لوله کشف داروی مولد مبتنی بر هوش مصنوعی ما را نشان میدهد.”
علاوه بر افشای دادههای آزمایشی خام، دانشمندان نحوه آموزش PandaOmics، موتور شناسایی هدف پلتفرم هوش مصنوعی Insilico Pharma.AI را بر روی مجموعهای از omics و مجموعه دادههای بالینی مرتبط با فیبروز بافتی شرح دادند. PandaOmics یک لیست هدف بالقوه با استفاده از ترکیب ویژگی های عمیق، استنتاج علیت و بازسازی مسیر de novo پیشنهاد کرد. پس از آن، مدلهای پردازش زبان طبیعی PandaOmics میلیونها فایل متنی، از جمله پتنتها، انتشارات، کمک هزینهها و پایگاههای داده کارآزماییهای بالینی را برای ارزیابی بیشتر ارتباط جدید و بیماری، تجزیه و تحلیل کردند.
پس از انتخاب TNIK به عنوان هدف اولیه، دانشمندان از Chemistry42، موتور شیمی مولد Insilico Medicine، برای تولید ساختارهای مولکولی جدید با استفاده از یک گردش کار طراحی دارویی مبتنی بر ساختار استفاده کردند. Chemistry42 بیش از 40 الگوریتم شیمی مولد و بیش از 500 مدل پاداش از پیش آموزش دیده را برای تولید ترکیب جدید ترکیب می کند و می تواند هم تولید و هم غربالگری مجازی را بر اساس بازخورد انسان متخصص بهینه کند.
پس از اجرای چندین صفحه نمایش تکراری، یکی از کاندیدهای موفقیت امیدوارکننده فعالیت با IC نانومولار را نشان داد50 ارزش های. دانشمندان این ترکیب را بیشتر برای افزایش حلالیت، ارتقای یک پروفایل ایمنی خوب ADME و کاهش سمیت ناخواسته و در عین حال حفظ میل ترکیبی با TNIK بهینه کردند. در نهایت، این کار مولکول سرب INS018_055 را با کمتر از 80 مولکول سنتز و آزمایش کرد.
در مطالعات پیش بالینی بعدی، INS018_055 کارایی قابلتوجهی در مطالعات in vitro و in vivo برای IPF نشان داد و نتایج امیدوارکنندهای را در مطالعات فارماکوکینتیک و ایمنی در بین ردههای سلولی و چندین گونه نشان داد. علاوه بر این، INS018_055 عملکرد مهاری پانفیبروتیک، کاهش فیبروز پوست و کلیه را در دو مدل حیوانی دیگر نشان داد. بر اساس این مطالعات، INS018_055 در فوریه 2021 نامزد پیش بالینی شد.
الکس ژاورونکوف، دکترا، موسس و مدیر عامل Insilico Medicine، گفت: «از دیدگاه من، پیشرفت INS018_055 پیامدهای مهمی برای حوزه کشف دارو دارد. “این نه تنها به عنوان یک اثبات مفهوم برای Pharma.AI عمل می کند … بلکه سابقه ای برای پتانسیل هوش مصنوعی مولد برای تسریع کشف دارو ایجاد می کند. با استفاده از این نشریه بهعنوان راهنما، میتوان برونیابی کرد که چگونه ابزارهای مولد کشف داروی هوش مصنوعی میتوانند تلاشهای کشف اولیه را سادهتر کنند.»
در حال حاضر، دو آزمایش بالینی فاز IIa INS018_055 برای درمان IPF به طور موازی در ایالات متحده و چین انجام می شود. این مطالعات، کارآزماییهای تصادفیسازی شده، دوسوکور و کنترلشده با دارونما هستند که برای ارزیابی ایمنی، تحملپذیری و فارماکوکینتیک داروی سرب طراحی شدهاند. علاوه بر این، کارآزماییها کارآیی اولیه INS018_055 را بر عملکرد ریه در بیماران IPF ارزیابی خواهند کرد. با ادامه پیشرفت این دارو، تقریباً پنج میلیون نفر در سراسر جهان که از این بیماری کشنده رنج می برند، امید ایجاد می کند.
نظرات Bud Mishra، PhD، استاد علوم کامپیوتر در دانشگاه نیویورک، در مورد مقاله، تاکید کرد که چگونه بخشهای مختلف مطالعه – انتخاب هدف و طراحی دارو – از انواع مختلف فناوری هوش مصنوعی استفاده میکنند: «بخش اول از اکتشافیهایی استفاده میکند که بر اساس تجربیات علمی انباشته شده در گذشته (هدف باید جدید باشد، از نظر تعامل با مسیرهای شناخته شده به راحتی قابل درک باشد، و از رویکردهای مورد استفاده دیگران در هدایت کشف دارو و آزمایشات بالینی در گذشته پیروی کند) و از این رو برای NLP با استفاده از LLM ایده آل است. بخش دوم از اکتشافی تصادفی برای جستجو و بهینهسازی در فضاهای ترکیبی پیچیده با استفاده از DNN استفاده میکند، که قادر به مقابله با «نمونههای آسان مشکلات سخت» طبیعی است.
او ادامه داد: «از نظر حدس و گمان، بخش اول با گذشت زمان سختتر میشود (توهم در مقابل تازگی واقعی) و بخش دوم سادهتر میشود، زیرا قانون مور به بهبود تصاعدی قدرت محاسباتی ادامه میدهد.»