شماره امروز: ۵۴۷

هوش مصنوعی چطور می‌تواند از شروع همه‌گیری‌های گسترده بعدی جلوگیری کند؟

| | |

یادگیری ماشین، ضمن صرفه‌جویی میلیون‌ها دلار در بخش تحقیق‌و‌توسعه،

گروه دانش و فن|

یادگیری ماشین، ضمن صرفه‌جویی میلیون‌ها دلار در بخش تحقیق‌و‌توسعه، می‌تواند زمان توسعه‌ یک دارو یا واکسن را کاهش دهد. سیستم ایمنی سراسر جهان، در زمستان امسال بیش از حد مشغول به فعالیت بود، زیرا این زمستان، شاهد وقوع یک فصل ویرانگر آنفلوآنزا بود. براساس CDC (گزارش مرکز کنترل و پیشگیری بیماری)، در ماه‌های اخیر در اثر ابتلا به آنفلوآنزا، بیش از 180 هزار امریکایی در بیمارستان بستری شده‌اند و 10 هزار نفر دیگر درگذشته‌اند. این در حالی است که کرونا ویروس (که اکنون رسماً COVID-19 معرفی شده است) با سرعت نگران‌کننده‌ای در سراسر جهان پخش است. ترس از شیوع این ویروس روبه‌رشد در سراسر جهان حتی باعث شد کنگره‌ جهانی موبایل (MWC 2020) در بارسلونا تقریبا یک هفته قبل از شروع، لغو شود. اما در آینده نزدیک، تولید داروهای تقویت‌شده با هوش مصنوعی می‌تواند به تولید واکسن و درمان منجر شود و انتظار می‌رود این اتفاق پیش از آنکه بیماری به یک ویروس کشنده همه‌گیر تبدیل شود، رخ دهد. روش‌های متداول برای تولید دارو و واکسن بسیار ناکارآمد هستند. محققان تقریبا در یک دهه گذشته با تلاش جدی روی آزمایش مولکول‌ها و آزمون و خطای روش‌های مختلف، مشغول هستند. مطابق مطالعه سال 2019 توسط مرکز تحقیقات تافتز، توسعه یک داروی واحد به‌طور متوسط 2.6 میلیارد دلار هزینه دارد (بیش از دو برابر هزینه‌ای که در سال 2003 شده است) و تنها حدود 12 درصد از این داروها که وارد پیشرفت بالینی می‌شوند، تاکنون تصویب FDA (سازمان غذا و داروی امریکا) را دریافت کرده‌‌اند.

اوا ماریا اﺳﺘﺮاوچ، استادیار علوم دارویی و زیست‌پزشکی دانشگاه جورجیا می‌گوید: « تایید سازمان غذا و دارو همواره دشوار بوده و پنج تا ۱۰ سال طول می‌کشد تا FDA دارویی را تصویب کند.» اگرچه به کمک سیستم‌های یادگیری ماشین، پژوهشگران حوزه زیست‌پزشکی می‌توانند اساسا مرحله آزمون و خطا را خلاصه کنند. پژوهشگران به‌جای اینکه به‌طور مداوم درمان‌های احتمالی را به‌صورت دستی امتحان کنند، می‌توانند از سیستم هوش مصنوعی استفاده کنند تا مولکول‌ها و ترکیبات موجود در یک پایگاه بزرگ داده را جست‌‌وجو کرده و آنها را براساس احتمال اثربخشی مرتب کند. جاشوا اسوامیداس، متخصص بیولوژی محاسباتی در دانشگاه واشنگتن در سال ۲۰۱۹ در مصاحبه با ساینتیست می‌گوید: «بسیاری از سوالاتی که پیش‌روی تیم‌های توسعه دارو است، دیگر از آن نوع سوالاتی نیست که مردم فکر می‌کنند بتوان ازطریق مرتب کردن داده‌ها در ذهن خود، پاسخ آن را پیدا کنند. به‌منظور جست‌و‌جوی داده‌ها و پاسخ دادن به سوالات و کسب بینش در زمینه‌ چگونگی انجام کارها، باید از روشی سیستماتیک استفاده کرد.» داروی تربینافین را درنظر بگیرید. تربینافین یک داروی ضدقارچ خوراکی است که برای درمان برفک در سال ۱۹۹۶ با نام تجاری لامیفیل وارد بازار شد. طی مدت سه سال، چندین نفر گزارش کردند که در اثر مصرف دارو دچار عوارض جانبی شده‌اند و تا سال ۲۰۰۸ سه نفر به‌خاطر مسمومیت کبدی از دنیا رفته و ۷۰ نفر نیز بیمار شده بودند. پزشکان دریافتند که یکی از واکنش‌ها تربینافین (TBF-A) علت آسیب کبدی بوده است اما در آن زمان متوجه نشدند که این واکنش چگونه در بدن تولید می‌شود. به این ترتیب، این مسیر متابولیکی به‌مدت یک دهه برای جامعه پزشکی همچنان یک معما بود تا اینکه در سال ۲۰۱۸، نالی‌دانگ از دانشگاه واشنگتن یک سیستم هوش مصنوعی را درزمینه مسیرهای متابولیکی آموزش داد تا ماشین بتواند مسیرهای احتمالی را که در آن کبد می‌تواند تربینافین را به TBF-A بشکند، پیدا کند. ظاهرا ایجاد واکنش سمی یک فرایند دومرحله‌ای بوده که تشخیص تجربی یکی از مراحل آن بسیار دشوار است اما قابلیت تشخیص الگوی هوش مصنوعی به آسانی آن را پیدا می‌کند. طی ۵۰ سال گذشته، بیش از ۴۵۰ دارو از بازار خارج شده‌اند که علت آن در بیشتر موارد، مسمومیت کبدی بوده است. در همین راستا سازمان غذا و دارو وب‌سایتی دارد که یک پایگاه داده آنلاین متشکل از مولکول‌ها و سمی بودن نسبی آن‌ها دربرابر پروتئین‌های مختلف انسانی است. پژوهشگران امیدوارند با آموزش یک سیستم هوش مصنوعی با استفاده از این مجموعه داده‌ها، بتوانند سریع‌تر این موضوع را مشخص کنند که آیا یک درمان بالقوه می‌تواند موجب بروز عوارض جانبی شود. سام مایکل، مدیر ارشد فناوری اطلاعات مرکز ملی Advancing Translational Sciences که به ایجاد این پایگاه داده کمک کرده است، می‌گوید: «ما در گذشته با یک چالش اساسی رو‌به‌رو بوده‌ایم؛ اینکه آیا می‌توان سمی بودن ترکیبات را از قبل پیش‌بینی کرد؟ این دقیقا برعکس کاری است که ما در غربال‌گری یک مولکول کوچک برای داروسازی انجام می‌دهیم. ما نمی‌خواهیم یک هدف دارویی پیدا کنیم بلکه می‌خواهیم احتمال سمی بودن ترکیبات را مشخص کنیم.»

سیستم‌های هوش مصنوعی می‌توانند به طراحی واکسن بهتری برای بیماری‌هایی مانند آنفلوآنزا نیز کمک کنند. در سال ۲۰۱۹، پژوهشگران دانشگاه فلیندرز استرالیا از هوش مصنوعی برای تقویت یک واکسن آنفلوآنزای معمولی استفاده کردند که بدن هنگام مواجهه با آن غلظت‌های بالاتری از آنتی‌بادی‌ها تولید کند. البته ازنظر فنی اینطور نیست که بدون دخالت پژوهشگران، هوش مصنوعی به‌خودی‌خود یک واکسن را از اول تا آخر طراحی کند. پژوهشگران درگیر این پژوهش، تحت هدایت نیکولای پترووسکی، استاد پزشکی دانشگاه فلیندرز، ابتدا الگوریتمی به نام AI Sam  (جست‌وجوی الگوریتم براساس مولکول‌ها) ساختند. این الگوریتم سعی در ایجاد تمایز میان مولکول‌هایی که دربرابر آنفلوآنزا موثر هستند و مولکول‌هایی که اثری ندارند، داشت. در ادامه، برنامه‌ دومی برای ایجاد تریلیون‌ها ترکیب شیمیایی آموزش دید و داده‌های حاصل از آن با استفاده از AI Sam مورد تجزیه‌و‌تحلیل قرار گرفت. در این مرحله، الگوریتم باید مشخص می‌کرد که آیا ترکیبات پیشنهادی دربرابر آنفلوآنزا تاثیری دارند یا نه. به این ترتیب، ترکیبات برتر انتخاب شدند و پژوهشگران آن‌ها را در آزمایشگاه ساختند. پس از آن، آزمایش‌های حیوانی انجام شد و نتایج نشان داد که واکسن تقویت‌شده نسبت‌به واکسن پیشین که چنین فرایندی را نگذرانده بود، موثرتر است. با آغاز سال جدید میلادی، کارآزمایی‌های انسانی مقدماتی در کشور امریکا شروع شد و انتظار می‌رود که حداقل تا ۱۲ ماه ادامه داشته باشد. اگر روند تایید واکسن با مشکلی مواجه نشود، واکسن تقویت‌شده می‌تواند طی دو سه سال در دسترس عموم قرار گیرد. این مدت زمان برای واکسنی که توسعه‌ آن دو سال زمان برده است (نسبت‌به حالت معمول که پنج تا ۱۰ سال طول می‌کشد)، بد نیست.

درحالی‌که سیستم‌های یادگیری ماشین می‌توانند مجموعه داده‌های عظیم را بسیار سریع‌تر از پژوهشگران بیولوژی مورد جست‌و‌جو قرار داده و برآوردهای دقیق‌تری فراهم کنند و نیز ارتباطات ظریف میان اجزا را درنظر بگیرند، در آینده‌ نزدیک نیز انسان‌ها همچنان در حلقه‌ توسعه دارو حضور خواهند داشت. یک دلیل آن است که چه کسی می‌خواهد تمام داده‌های آموزشی مورد نیاز برای آموزش سیستم هوش مصنوعی را جمع‌آوری، ترکیب، سازماندهی، فهرست‌بندی و برچسب‌گذاری کند؟ حتی زمانی که سیستم‌های یادگیری ماشین کارآمدتر می‌شوند، اگر از داده‌های اریب یا ناقص استفاده شود، درست مانند دیگر سیستم‌های هوش مصنوعی، نتایج بهینه‌ای حاصل نخواهد شد. دکتر چارلز فیشر، بنیان‌گذار و مدیرعامل Unlearn.AI در ماه نوامبر نوشت: «بسیاری از مجموعه داده‌هایی که در پزشکی مورد استفاده قرار می‌گیرد، عمدتا مربوط به جوامع سفیدپوست اروپا و امریکای شمالی است. اگر پژوهشگری یادگیری ماشین را درمورد یکی از این مجموعه داده‌ها به کار ببرد و یک نشانگر زیستی را برای پیش‌بینی پاسخ به درمان خاصی کشف کند، هیچ تضمینی وجود ندارد که آن نشانگر در جمعیت‌های متفاوت نیز به کار آید.» فیشر توصیه می‌کند که برای مقابله با تاثیر اریب داده‌ها روی نتایج از مجموعه داده‌های بزرگ‌تر، نرم‌افزارهای پیشرفته‌تر و کامپیوترهای قدرتمندتر استفاده شود. جیل بکر، مدیرعامل شرکت کبوتیکس نیز در این باره چنین توضیح داده است که یکی دیگر از اجزای مهم، «داده‌های پاک» است. این استارت‌آپ برای طراحی و توسعه‌ مواد کمیاب و شیمیایی، از هوش مصنوعی درکنار رباتیک استفاده می‌کند.

استفاده از هوش مصنوعی برای کشف الگوهای و نشانگرهای پنهان از دید ساده و آنالیز آماری معمولی، مجموعه‌ای از امکانات جدید را فراهم کرده است. هوش مصنوعی می‌تواند به همان اندازه کیت تست سریع، در زمینه تشخیص موثر باشد، در‌حالی‌که به جای استفاده از خون، از داده‌ها برای سنجش احتمال استفاده می‌شود. بر اساس گزارش مدیکال‌اکسپو، دکتر هلمی زکریا می‌گوید: «اکنون فناوری با سرعت نمایی در حال توسعه است. یک دهه پیش، گرفتاری به بیماری ایدز، در حکم مرگ بود، اما اکنون احتمال اینکه فردی در اثر تصادف رانندگی بمیرد، بیشتر از مرگ بر اثر ایدز است. اگر ما از منابع صحیحی از داده‌ها، چارچوب نظارتی درست و رویکرد صحیح در زمینه تبادل داده برخوردار باشیم، می‌توان به همان روشی که امروز وقوع سونامی را پیش‌بینی می‌کنیم، در پیش‌بینی و جلوگیری از شیوع بیماری‌هایی مانند وبا هم موثر عمل کنیم.»

 

اخبار مرتبط

ارسال نظر

نظر کاربران