اهمیت هوش مصنوعی در صنعت داروسازی

هوش مصنوعی(AI) که همان شبیه سازی هوش انسان است به ماشین آلات، قابلیت انجام کارهایی مانند منطق، استدلال، برنامه­ ریزی ، یادگیری و درک یک موضوع را می دهد. این توانایی­ ها می تواند در راستای اعمالی از قبیل یافتن راه حل­ های بهینه برای مشکلات، یافتن الگوها و حتی برای طبقه­ بندی داده­ ها به کار گرفته شود.

یادگیری ماشین (ML:machine learning) و شبکه عصبی مصنوعی (ANN: Artificial neural network) دو مفهوم پرکاربرد در این حوزه هستند که ML به شبیه سازی ذهن انسان از نظر یادگیری و تجزیه و تحلیل موقعیت های جدید و ANN به چارچوب اجرای الگوریتم های هوش مصنوعی اشاره دارد.

اخیراً، هوش مصنوعی با ایده هایی نو در حوزه دارو و سلامت وارد شده است و بال های خود را تا کشف و طراحی دارو، توسعه محصول، بهبود فرایند تولید، پایبندی به دارو و تعیین دوز آن، تغییر کاربری دارو ، نشانگرهای زیستی پیش‌بینی کننده ، پیش‌بینی نتایج درمان، شناسایی جمعیت مطالعات بالینی (clinical trials)، بیماریهای کمیاب، شخصی ­سازی داروها ، پردازش داده های زیست پزشکی و بالینی، تصویربرداری پزشکی، تجزیه و تحلیل الگوی بیان ژن ، پیش بینی شیوع بیماریهای همه گیر، نانو پزشکی ترکیبی، نانو انفورماتیک و غیره گسترش داده است.

در ادامه، مروری اجمالی بر کاربردهای هوش مصنوعی در بخش های مختلف صنعت داروسازی شامل:

– تحقیق و توسعه و کشف دارو

-طراحی مطالعات بالینی

– کنترل کیفیت و تضمین کیفیت

– توسعه محصولات دارویی

– فرآیند ساخت

-پیش بینی اثرات سینرژیستی و انتاگونیستی داروها

-کاربردهای بالینی

– تشخیص بالینی و پزشکی

-نسخه کردن دار

– پزشکی دقیق

-مدیریت بازار محصولات دارویی

صورت گرفته است.

  • تحقیق و توسعه و کشف دارو : با کمک نرم افزارها و الگوریتم­ های مبتنی بر هوش مصنوعی، شرکت های دارویی می‌توانند هزینه های مربوط به آزمایشات بالینی و احتمال ناکارآمدی داروی طراحی شده را کاهش دهند و در وقت و هزینه صرفه جویی کنند. به طور متوسط ، یک دوره تحقیق و توسعه 10-15 سال به طول می انجامد.  به طوری که احتمال یافتن یک مولکول  دارویی مستعد، 1در 10000پروژه است.  ضمن اینکه مولکول به دست آمده با احتمال عدم موفقیت در مطالعات بالینی نیز روبه‌رو است و در نهایت فقط 1 مورد از 10 کاندیدای بالقوه دارویی، پس از گذراندن آزمایشات بالینی مرحله اول ، تا تصویب قانونی و انتهای مسیر می رسند. بنابراین ریسک سرمایه گذاری در تحقیق و توسعه شرکتهای دارویی بسیار زیاد است.

ابزارهای درون رایانه‌ای (In silico) متعددی وجود دارند که امکان غربال داروها و یا پیش‌بینی و بهینه سازی ساختار دارو را تا دست یافتن به ترکیبی با خواص مطلوب از قبیل فعالیت بیولوژیک، ایمنی، انحلال پذیری، نفوذ پذیری و حتی سهولت سنتز ایجاد می­ کنند.  همچنین استفاده از الگوریتم های ML بر مبنای مشابهت یابی میان داروها می تواند فرآیند معرفی کاربرد جدید برای داروها را سرعت ببخشد. زیر ساختهایی نیز که در پایگاههای داده مرتبط (از قبیل PubChem، CheMBL ،  DrugBank و BindingDB) شکل گرفته ­اند می توانند داده های اولیه را در اختیار نرم افزارها تحلیل کننده قرار دهند.

طراحی مطالعات بالینی: سازمان غذا و دارو آمریکا در ژوئن 2019 بیش از 30 الگوریتم  AI برای تشخیص مواردی مانند رتینوپاتی دیابتی ، سکته مغزی ، خونریزی مغزی و فیبریلاسیون دهلیزی تصویب کرده و بیش از 300 مطالعه بالینی در پایگاه ثبت مطالعات بالینی (clinicaltrials.gov) تحت عنوان “هوش مصنوعی”، “یادگیری ماشینی” و “یادگیری عمیق” ثبت نموده است. این الگوریتم ها با ارائه تشخیص های سریعتر و دقیقتر و ارائه بینش جدیدی برای درک بیماری ها، خدمت رسانی و دسترسی به مراقبتهای بهداشتی را  بهبود بخشیده اند. همچنین در جریان مطالعات بالینی، هوش مصنوعی می تواند به محقق اجازه دهد نتایج را سریعتر پیش بینی کرده و به بیماران کمتری آسیب برساند یا  ضمن در نظر گرفتن چند متغیر از استراتژی های AI برای انتخاب تصادفی  استفاده کند.

• کنترل کیفیت و تضمین کیفیت: قرار دادن جزئیات فرآیندها از قبیل فرمولاسیون، ساخت و کنترل کیفیت در قالب شبکه ها و ابزار هوش مصنوعی می تواند منجر به افزایش کیفیت محصول و کاهش ضایعات در شرکتهای دارویی شود. به عنوان مثال با بهره گیری از مفاهیمی مانند طراحی بر مبنای کیفیت (Quality-by-Desig ، QbD) می توان به درک عمیقی از عوامل و فاکتورهای کلیدی موثر در خط تولید محصول دارویی دست یافت.
• توسعه محصولات دارویی: سیستم های تخصصی که قادر به تصمیم گیری بر مبنای قوانین از پیش تعیین شده هستند می توانند در مواردی مانند طراحی و بهینه سازی فرمولاسیون داروها مورد استفاده قرار گیرند و حتی با اتصال سیستم به شبکه های اطلاعاتی موجود، قوانین را درک و استنباط کنند. در آینده نزدیک که استفاده از میکروچیپ ها و نانو ربات ها برای رسانش و رهاسازی دارو در بیماریهای مزمن مانند دیابت توسعه می یابد، استفاده از سیستم های مبتنی بر AI، برای کنترل دوز دارو و علایم حیاتی اهمیت بیشتری خواهد یافت و حتی به توسعه روشهای درمان ترکیبی نیز کمک خواهد کرد.
• فرآیند ساخت: استفاده از ابزار های تحلیل فرآیند (PAT: process analytical technology) می تواند امکان تولید پیوسته را در یک خط تولید فراهم کند که مزیت آن کاهش تنوع کیفیت در بچ های تولیدی و حفظ کیفیت محصول است.
• پیش بینی اثرات سینرژیستی و انتاگونیستی داروها: در مواردی که دارو به صورت پیوسته برای یک بیمار تجویز میشود، اطلاع از اثرات آنتاگونیستی و سینرژیستی مشاهده شده در مصرف کننده دارو، که میتواند از گزارشات مداوم سیستمهای هوشمند شخصی بیمار استنباط شود، تاثیر قابل توجهی بر تعیین دوز دارو و جلوگیری از عوارض جانبی و سمیت آن خواهد داشت.
• کاربردهای بالینی و پزشکی : استفاده از ترکیب چند ابزار هوش مصنوعی مانند پردازش تصویر، بینایی رایانه، ANN(شبکه عصبی مصنوعی) ، ML (یادگیری ماشین)، CNN (شبکه های عصبی پیچشی) و یادگیری عمیق می تواند کاربردهای تازه ای در بخش پزشکی ارائه کند. تحلیل عکس های رادیولوژی، تشخیص بیماریهای قلبی و در سطح پیچیده تر نرم افزار هایی که می توانند در آینده جایگزین مراجعه به پزشک شوند از جمله این کاربردها هستند.
نسخه کردن دارو : خطاهای نسخه نویسی یکی از مهمترین چالش ها برای بیماران است که در بعضی موارد ، این اشتباهات به دلایل مختلف مانند تداخلات دارویی، باعث بروز وقایع ناخوشایند در زندگی بیماران می شود. هنگام تجویز یک دارو، باید چندین فاکتور توسط پزشکان در نظر گرفته شود که مستلزم بررسی پیشینه بیماران توسط پزشک و تجزیه و تحلیل گزارشات پزشکی قبلی است. ربات های مبتنی بر هوش مصنوعی می توانند به عنوان یک مشاور شخصی، خدماتی به بیماران یا مشتریان دارو ارائه کنند. این رباتها اطلاعات بیمار را بازیابی و به داروخانه ارسال می¬کنند. همچنین ، میتوانند پس از بررسی تاریخچه بیمار، بهترین دارو برای بیمار را توصیه کنند و یا اعتبارسنجی داروی تجویز شده را انجام دهند.
• پزشکی دقیق: پزشکی دقیق یک مدل درمانی جدید را مطرح می‌کند که در آن روند مراقبت از سلامت افراد به کمک تصمیمات پزشکی، تمرین‌ها یا محصولات دارویی مختص هر بیمار صورت می گیرد. در این مدل، روش پیشگیری، تشخیص یا درمان بیماریها بر اساس عوامل ژنتیکی، محیطی و سبک زندگی بیمار تنظیم می¬شود.
تعیین توالی ژنوم ارزان، پیشرفتهای اخیر بیوتکنولوژی، حسگرهای پایش سلامت فرد و ثبت مجموعه ای از اطلاعات مربوط به مراجعات بیمار در سیستم های مرتبط با سلامت توسط ابزارهای هوشمند شخصی مانند تلفن همراه، همگی مقدار زیادی داده تولید کرده اند. برای تبدیل این داده های کلان به دانش بالینی قابل اجرا، به روش های تجزیه و تحلیل کارآمدی نیاز است که AI می تواند آنها را فراهم کند.
• مدیریت بازار محصولات دارویی: برند سازی صحیح محصول یکی از جنبه های مهم بازاریابی محصولات دارویی به حساب می آید و تقریباً در تمام برنامه ها و استراتژی های تجاری نقشی اساسی دارد. برخی شرکتها با سرمایه گذاری در بستری مانند موتورهای جستجو سعی می کنند تا محصولات و وب سایت خود را در رتبه بندی بالاتری از رقبا قرار دهند.
روش ها و الگوریتم های تجزیه و تحلیل آماری مانند بهینه سازی ازدحام ذرات ( particle swarm optimization: PSO) نیز نقشی حیاتی در برند سازی محصولات دارویی دارند. هوش مصنوعی با انجام تجزیه و تحلیل جامع بر روی ویژگیهای اساسی محصول از دید مشتری و همچنین درک نیاز بازار ، به طراحی ساختار بازار کمک می کند. از طرفی نرم افزارهای مختلفی که بر اساس الگوریتم های از پیش تعیین شده کار می کنند به حضور مداوم محصول در بازار رقابت کمک می کنند. این نرم افزارها از تکنیک های دیجیتال برای جلب توجه مصرف کننده به محصول استفاده کرده و با استراتژی هایی مانند نمایش تبلیغات و هدایت مصرف کننده به سایت محصول، امکان معرفی آنلاین محصول را فراهم می کنند.
از این رو شتاب‌دهنده توانا با تمرکز بر توسعه تولیدات دارویی و مکمل ها و حمایت از طرحهای نوآورانه، از پذیرش ایده ها و طرحهای مرتبط با بخش های ذکر شده استقبال نموده و دست فعالین و علاقه مندان این حوزه را به گرمی می فشارد. به امید آنکه گامهای موثری در مسیر پیشرفت و اعتلای کشور عزیزمان برداشته شود.

تهیه وتدوین: دکتر هما احمدی

منابع اطلاعاتی بیشتر:

  • Kalyane, Dnyaneshwar, et al. “Artificial intelligence in the pharmaceutical sector: current scene and future prospect.” The Future of Pharmaceutical Product Development and Research. Academic Press, 2020. 73-107.
  • Toker, Didem, Hakan Tozan, and Ozalp Vayvai. “A decision model for pharmaceutical marketing and a case study in Turkey.” Economic research-Ekonomska istraživanja 26.1 (2013): 101-114.‏‏
  • Lamberti, Mary Jo, et al. “A study on the application and use of artificial intelligence to support drug development.” Clinical therapeutics 41.8 (2019): 1414-1426.‏
5 1 رای
امتیاز محتوا
, , ,

پست های مرتبط

خبررسانی
منو با خبر کن
0 دیدگاه ها
Inline Feedbacks
نمایش تمام نظر ها
فهرست