هوش مصنوعی فرضیه‌های جدیدی برای کشف دارو پیشنهاد می‌دهد

شفقنا – هوش مصنوعی در سال‌های اخیر به یکی از ابزارهای مهم در بررسی حجم گسترده اطلاعات زیست‌پزشکی تبدیل شده است، اما پژوهشگران می‌گویند تولید یک فرضیه علمی ارزشمند تنها با مرور مقالات و داده‌های عمومی امکان‌پذیر نیست. یک رویکرد جدید با ترکیب یافته‌های منتشرشده با داده‌های اختصاصی آزمایشگاه‌ها و شرکت‌های دارویی، تلاش می‌کند فرضیه‌هایی تولید کند که مستقیماً با اهداف و مسائل واقعی هر پروژه تحقیقاتی مرتبط و قابلیت آزمایش در آزمایشگاه را داشته باشند.

به گزارش سرویس ترجمه شفقنا، بخش قابل‌توجهی از کاربردهای هوش مصنوعی در کشف دارو تاکنون بر بررسی ادبیات علمی متمرکز بوده است؛ مدل‌ها با مطالعه تعداد زیادی مقاله، ارتباط میان ژن‌ها، پروتئین‌ها، بیماری‌ها و اهداف دارویی را شناسایی می‌کنند و بر اساس این ارتباطات، فرضیه‌هایی برای تحقیقات آینده ارائه می‌دهند. با این حال، چنین مدل‌هایی به داده‌هایی دسترسی ندارند که هرگز منتشر نشده‌اند؛ از جمله آزمایش‌های ناموفق، نتایجی که ارزش انتشار نداشته‌اند، مسیرهای تحقیقاتی کنار گذاشته‌شده و تصمیم‌هایی که پژوهشگران در طول یک پروژه گرفته‌اند.

نیکلاس لاروس-استون، پژوهشگری که پیش‌تر در شرکت فعال در حوزه هوش مصنوعی و کشف دارو ، BenevolentAI، در زمینه شناسایی اهداف دارویی فعالیت کرده است، می‌گوید این محدودیت تنها به توانایی فناوری مربوط نمی‌شود، بلکه مشکل اصلی کیفیت و گستردگی داده‌هایی است که مدل در اختیار دارد. شرکت‌ها می‌توانند با استفاده از هوش مصنوعی حجم عظیمی از ادبیات زیست‌پزشکی را بررسی کنند، اما اگر مدل فقط به داده‌های عمومی دسترسی داشته باشد، بسیاری از اطلاعات ضروری برای تصمیم‌گیری درباره یک پروژه مشخص را از دست می‌دهد.

یکی از مشکلات ادبیات علمی این است که نتایج مثبت بسیار بیشتر از نتایج منفی یا ناموفق منتشر می‌شوند. بسیاری از مسیرهای تحقیقاتی که آزمایش شده و نتیجه مطلوبی نداشته‌اند، هرگز وارد مقالات علمی نمی‌شوند. در نتیجه، مدلی که تنها بر داده‌های منتشرشده آموزش دیده باشد، تصویری ناقص از مسیرهای طی‌شده در تحقیقات علمی دریافت می‌کند و ممکن است فرضیه‌ای پیشنهاد دهد که از نظر علمی منطقی به نظر برسد، اما پیش از این در یک آزمایش ناموفق بررسی شده باشد.

برای حل این مشکل، ابزار Hypothesis Generation در پلتفرم هوش مصنوعی شرکت Benchling تلاش می‌کند داده‌های اختصاصی یک پروژه را در کنار اطلاعات موجود در منابع علمی قرار دهد. این سامانه ابتدا از داده‌های داخلی یک مجموعه تحقیقاتی استفاده می‌کند و سپس با جست‌وجو در منابع عمومی، ارتباطات و شواهد مرتبط را پیدا می‌کند تا فرضیه‌هایی متناسب با هدف همان پروژه ایجاد شود. به این ترتیب، فرضیه تولیدشده صرفاً یک پیشنهاد کلی درباره زیست‌شناسی یا یک بیماری نیست، بلکه بر اساس اطلاعاتی شکل می‌گیرد که پژوهشگران همان پروژه در اختیار دارند.

این رویکرد به‌ویژه برای شرکت‌های دارویی اهمیت دارد؛ زیرا داده‌های حاصل از آزمایش‌های داخلی می‌توانند شامل اطلاعاتی باشند که در هیچ مقاله یا پایگاه داده عمومی وجود ندارند. ترکیب این داده‌ها با دانش علمی موجود می‌تواند به پژوهشگران کمک کند ارتباطات جدیدی را شناسایی کنند و ایده‌هایی را برای آزمایش‌های بعدی به دست آورند که به شرایط و اهداف یک برنامه تحقیقاتی خاص مرتبط هستند.

در این سامانه تنها یک مدل هوش مصنوعی برای تولید فرضیه استفاده نمی‌شود. Benchling AI چندین مدل از ارائه‌دهندگان مختلف را به‌صورت موازی به کار می‌گیرد تا پاسخ‌ها و دیدگاه‌های متفاوتی درباره یک مسئله علمی ایجاد شود. هدف از این روش، کاهش وابستگی به دیدگاه یک مدل واحد و افزایش احتمال شناسایی فرضیه‌های باکیفیت‌تر است.

با این حال، پژوهشگران تأکید می‌کنند که تولید فرضیه تنها آغاز فرایند کشف دارو است. یک فرضیه زمانی ارزشمند است که بتوان آن را در دنیای واقعی آزمایش کرد. طراحی آزمایش، اجرای آن، جمع‌آوری داده‌های واقعی و گاه غیرقابل‌پیش‌بینی و تفسیر نتایجی که ممکن است با پیش‌بینی هوش مصنوعی مطابقت نداشته باشند، همچنان به تخصص و قضاوت دانشمندان نیاز دارد.

بر همین اساس، هدف این فناوری جایگزین کردن دانشمندان نیست، بلکه کاهش زمان صرف‌شده برای جست‌وجوی اطلاعات و یافتن ارتباطات احتمالی و فراهم کردن نقطه شروعی بهتر برای تحقیقات است. در صورت ترکیب داده‌های باکیفیت، ابزارهای هوش مصنوعی و ارزیابی انسانی، این رویکرد می‌تواند بخشی از فرایند شناسایی اهداف جدید و توسعه داروهای آینده را سرعت ببخشد.

این خبر را اینجا ببینید.