مرحله 1: اهدافی که با هم مداخله دارند، بیابید
اولین قدم در تولید دارو، شناخت منشأ بیولوژیکی یک بیماری (گذرگاه‌ها) و همچنین مکانیسم‌های مقاومت آن است. سپس باید اهداف خوب (معمولاً پروتئین‌ها) را برای درمان بیماری شناسایی کنید. در دسترس بودن گسترده تکنیک‌ها با توان بالا مانند روش غربالگری سنجاق کوچک مو RNA[1] (shRNA) و توالی عمیق، مقدار داده‌های موجود برای کشف مسیرهای هدف زنده را به میزان قابل‌توجهی افزایش داده است. (RNA یا اسید ریبونوکلوئیک، زنجیره‌ای از سلول‌ها هستند که حامل اطلاعات ژنتیکیِ تعداد زیادی ویروس از سلول به سیتوپلاسم هستند.) اسید ریبونوکلوئیک (RNA) یک مولکول پلیمری است که برای نقش‌های مختلف بیولوژیکی در رمزگذاری، رمزگشایی، تنظیم و بیان ژن‌ها ضروری است. بااین‌حال با تکنیک‌های سنتی، یکی کردنِ تعداد زیادی داده باوجود تنوع منابع داده‌ها – و سپس یافتن الگوهای مربوطه هنوز هم یک چالش است. الگوریتم‌های یادگیری ماشین می‌توانند به‌راحتی همه داده‌های موجود را تجزیه‌وتحلیل کنند و حتی می‌توانند یاد بگیرند که به‌طور خودکار پروتئین‌های هدف خوب را شناسایی کنند.
مرحله 2: کشف نامزدهای ترکیب شدن برای ساخت دارو
در مرحله بعد باید ترکیبی پیدا کنید که بتواند با روش موردنظر با مولکول هدف شناسایی‌شده در تعامل باشد. این شامل غربالگری تعداد زیادی – اغلب هزاران یا حتی میلیون‌ها – ترکیبات بالقوه برای تأثیرگذاری آن‌ها روی هدف (وابستگی) است تازه ما اشاره‌ای به عوارض جانبیِ غیر هدف آن‌ها (سمی بودن) نکردیم. این ترکیبات می‌توانند طبیعی، مصنوعی یا مهندسی زیستی باشند.
بااین‌حال، نرم‌افزارهای فعلی غالباً نادرست هستند و پیشنهاد‌های بد زیادی (مثبت کاذب) تولید می‌کنند – بنابراین زمان بسیار طولانی طول می‌کشد تا آن را به بهترین کاندیداهای دارویی (که به‌عنوان راهنما شناخته می‌شود) محدود کنید. الگوریتم‌های یادگیری ماشین همچنین می‌توانند در موضوعی که در ادامه می‌آید، کمک‌کننده باشند: آن‌ها می‌توانند یاد بگیرند که مناسب بودن یک مولکول را بر اساس اثرانگشت ساختاری و توصیف‌کننده‌های مولکولی پیش‌بینی کنند. سپس آن‌ها میلیون‌ها مولکول بالقوه را شعله‌ور می‌کنند و همه آن‌ها را برای رسیدن به بهترین گزینه‌ها فیلتر می‌کنند – مواردی که دارای حداقل عوارض جانبی نیز هستند. این امر درنتیجه موجب صرفه‌جویی در زمان زیادی برای طراحی دارو می‌شود.
مرحله 3: آزمایش‌های بالینی را تسریع کنید
یافتن نامزدهای مناسب برای آزمایش‌های بالینی کار دشواری است. اگر نامزدهای اشتباهی انتخاب کنید، آزمایش را طولانی‌تر خواهند کرد. هزینه و زمان زیادی نیز صرف می‌شود. یادگیری ماشین می‌تواند با شناسایی خودکار نامزدهای مناسب و همچنین اطمینان از توزیع صحیح برای گروه‌های شرکت‌کننده در آزمایش، به طراحی آزمایش‌های بالینی سرعت بخشد. الگوریتم‌ها می‌توانند به شناسایی الگویی بپردازند که نامزدهای خوب را از بد جدا می‌کند. این الگوریتم‌ها همچنین می‌توانند به‌عنوان یک سیستم هشدار زودرس برای آزمایش کلینیکی که نتایج قطعی تولید نمی‌کند، به کار گرفته شوند – که به محققان اجازه می‌دهد زودتر مداخله کنند که به‌طور بالقوه نجات‌دهنده توسعه دارو است.
مرحله 4: نشانگرهای زیستی را برای تشخیص بیماری پیدا کنید
شما فقط می‌توانید بیماران را برای یک بیماری درمان کنید، البته به‌محض اینکه از تشخیص خود مطمئن شدید. برخی از روش‌ها بسیار گران هستند و شامل تجهیزات آزمایشگاهی پیچیده و همچنین دانش تخصصی می‌باشند مانند توالی ژنوم کامل. نشانگرهای زیستی مولکول‌هایی هستند که در مایعات بدن یافت می‌شوند (به‌طورمعمول خون انسان) که یقین کاملی از بیمار بودن یا نبودن مریض ارائه می‌دهند. آن‌ها فرآیند تشخیص بیماری را ایمن و ارزان می‌کنند.
شما همچنین می‌توانید از آن‌ها برای مشخص کردن پیشرفت بیماری استفاده کنید – این نشانگرها کار را برای پزشکان ساده می‌کنند تا درمان صحیح را انتخاب کنند و کارایی دارو را تحت نظر بگیرند. اما کشف نشانگرهای زیستی مناسب برای یک بیماری خاص کار سختی است. این‌یک فرآیند وقت‌گیر و پرهزینه دیگری است که شامل غربالگری ده‌ها هزار نامزد مولکول بالقوه است. هوش مصنوعی می‌تواند بخش بزرگی از کار دستی را به‌صورت خودکار انجام داده و روند کار را سرعت بخشد. این الگوریتم‌ها مولکول‌ها را به نامزدهای خوب و بد طبقه‌بندی می‌کنند – که به پزشکان کمک می‌کند تا روی بهترین چشم‌اندازها و انتخاب‌ها تمرکز کنند.
بخش‌های دیگر مقاله را از لینک زیر بخوانید:
[1] Ribonucleic Acid
