نقش هوش مصنوعی در حل کمبود نیروی متخصص برای درمان بیماری‌های نادر

هوش مصنوعی به سرعت در حال تبدیل شدن به یک ابزار کلیدی در زیست‌فناوری است و حالا استارتاپ‌هایی مانند Insilico Medicine و GenEditBio از آن برای مقابله با کمبود نیروی متخصص در کشف و توسعه درمان بیماری‌های نادر استفاده می‌کنند. این شرکت‌ها می‌گویند ترکیب آزمایشگاه‌های خودکار با مدل‌های پیشرفته هوش مصنوعی می‌تواند روند کشف دارو و طراحی روش‌های ویرایش ژن را شتاب بدهد.

هوش مصنوعی به عنوان «ابرهوش دارویی»

الکس الیپر، مدیرعامل Insilico، در رویداد Web Summit قطر از هدف این شرکت برای ساخت نوعی «ابرهوش دارویی» چندوجهی گفت؛ مدلی که بتواند همزمان چندین کار مختلف در کشف دارو را با دقتی در حد فراتر از انسان انجام دهد. پلتفرم Insilico داده‌های زیستی، شیمیایی و بالینی را دریافت می‌کند، فرضیه‌هایی درباره اهداف بیماری تولید می‌کند و مولکول‌های دارویی احتمالی را پیشنهاد می‌دهد؛ کاری که قبلاً به تیم‌های بزرگ شیمی‌دان و زیست‌شناس نیاز داشت.

به گفته این شرکت، همین زیرساخت باعث شده بتوانند در پروژه‌هایی مانند بررسی امکان استفاده مجدد از داروهای موجود برای بیماری نادری مثل ALS از مدل‌های هوش مصنوعی کمک بگیرند. چنین نمونه‌هایی نشان می‌دهد هوش مصنوعی فقط ابزار کمکی نیست، بلکه در برخی مراحل طراحی دارو می‌تواند نقش اصلی را به عهده بگیرد و زمان و هزینه را به طور قابل‌توجهی کاهش دهد.

ویرایش ژن درون‌بدنی و نقش داده برای مدل‌های هوش مصنوعی

از سوی دیگر، GenEditBio روی نسل دوم فناوری CRISPR تمرکز دارد؛ جایی که ویرایش ژن به جای خارج از بدن، به طور مستقیم در بافت‌های هدف انجام می‌شود. این شرکت با استفاده از روش‌های یادگیری ماشین، از میان کتابخانه بسیار بزرگی از نانوذرات پلیمری منحصربه‌فرد، حامل‌هایی را پیدا می‌کند که می‌توانند ابزارهای ویرایش ژن را ایمن و دقیق به بافت‌هایی مانند چشم، کبد یا سیستم عصبی برسانند. پلتفرم NanoGalaxy این شرکت، رابطه ساختار شیمیایی حامل‌ها و نوع بافت هدف را مدل‌سازی می‌کند و سپس نتایج آزمایش‌های درون‌بدنی دوباره به مدل‌ها برگردانده می‌شود تا دقت پیش‌بینی‌ها افزایش یابد.

همزمان، هر دو شرکت بر اهمیت داده تأکید می‌کنند. الیپر می‌گوید مجموعه‌های داده‌ای که امروز در مدل‌های زیست‌پزشکی استفاده می‌شود شدیداً به بیماران در کشورهای غربی متکی است و برای ساخت مدل‌های عادلانه‌تر و دقیق‌تر، باید داده‌های متنوع‌تری از بیماران در نقاط مختلف جهان جمع‌آوری شود. این نکته برای خواننده ایرانی نیز مهم است؛ چرا که بدون داده‌های بومی، حتی پیشرفته‌ترین مدل‌ها هم ممکن است در پیش‌بینی پاسخ بیماران منطقه ما دقت کافی نداشته باشند. در چنین فضایی، استفاده هوشمندانه از ابزارهای جدید مانند خرید اکانت های هوش‌مصنوعی و پلتفرم‌های نسل جدید، می‌تواند به پژوهشگران و استارتاپ‌های ایرانی کمک کند تا بهتر به این موج جهانی متصل شوند.

در افق بعدی، ایده «دوقلوهای دیجیتال» انسان برای اجرای کارآزمایی‌های بالینی مجازی و افزایش شخصی‌سازی درمان‌ها مطرح شده است؛ مسیری که هنوز در ابتدای راه است اما می‌تواند تعداد گزینه‌های درمانی را در دهه‌های آینده به‌طور قابل‌توجهی افزایش دهد. اگر این روند ادامه پیدا کند، صنعت دارو و درمان بیماری‌های نادر نه‌تنها از سد کمبود نیروی متخصص عبور می‌کند، بلکه می‌تواند درمان‌های هدفمندتر و در دسترس‌تری را برای بیماران در سراسر جهان، از جمله ایران، فراهم کند.

منبع خبر: TechCrunch