كيف يمكن استخدامه للكشف عن الأمراض وتطوير الأدوية؟

استخدام الذكاء الاصطناعي في الكشف عن الأمراض:

أبرز استخدامات الذكاء الاصطناعي في الكشف عن الأمراض هو برنامج AI-Rad Companion فهو يقلل عبء المهام المتكررة الأساسية ليزيد من دقة التشخيص عند تفسير الصور الطبية.

إذ توفر حلولها المعالجة التلقائية اللاحقة لمجموعات بيانات التصوير عبر خوارزميات الذكاء الاصطناعي. إذ تساعد أتمتة تدفقات العمل الروتينية مع المهام المتكررة وأحجام الأحرف الكبيرة على تسهيل سير العمل اليومي بحيث تستطيع التركيز على المشكلات الأهم.

بعد أن تتم معالجة الصور سيقوم بتفسير البيانات عبر تقديم نتائج تحليلها تلقائياً للمراجعة والتأكيد وإدراجها المحتمل في التقرير النهائي أو مسار الرعاية لزيادة الدقة وضمان نتائج عالية الجودة في اتخاذ القرارات التشخيصية.

كما يتمّ نشر الملحقات على منصة الصحة الرقمية الجماعية، مما يسهل التحديثات المنتظمة وعمليات الترقية ويسهل دمج العروض الجديدة في بيئة تكنولوجيا المعلومات الحالية.

يساعدك في زيادة الدقة وتسريع سير عملك فهو مطور ليساعدك على التعامل مع أعباء العمل المتزايدة. فمن خلال خوارزميات التعلم العميق تستطيع كشف التشوهات وتشريح الأجزاء ومقارنة النتائج بالقيم المرجعية.

كما يمكن دمجه في سير عمل تفسير الصور ليساعد على التعامل مع أعباء العمل اليومية بسهولة مما يدفع الإنتاجية مع التكامل السلس في سير عمل القراءة وإعداد التقارير كالقياسات الآلية وتقارير DICOM المنظمة بينما تبقى كل خطوة من خطوات سير العمل تحت السيطرة  لتمكين القرارات القائمة على الأدلة. كما يساعد المنبه أخصائيي الأشعة مراجعة نتائج الذكاء الاصطناعي بشكل مستقل عن أي قيود على نظام PACS الحالي. يوفر نتائج بتنسيقات بيانات مختلفة تتيح خيارات تكامل متقدمة  كتلقي نتائج AI مباشرة في قوالب التقارير.

استخدام الذكاء الاصطناعي في تطوير الأدوية:

توفر طرق السليكو لمركبات الشاشة الافتراضية من المساحات الكيميائية الافتراضية مع البنية والأساليب القائمة على الترابط تحليلًا أفضل للملف الشخصي وإزالة أسرع للمركبات الخالية من الرصاص واختيار جزيئات الدواء، مع تقليل التكاليف.  خوارزميات تصميم الأدوية كمصفوفات الكولوم والتعرف الجزيئي على بصمات الأصابع التي تأخذ الملامح الفيزيائية والكيميائية والسمية لاختيار مركب الرصاص.

كما يمكن استخدام مختلف المعلمات المختلفة كالنماذج التنبؤية، وتشابه الجزيئات، وعملية توليد الجزيئات، وتطبيق مناهج السيليكو للتنبؤ بالتركيب الكيميائي المطلوب للمركب 20، 24.

1. الذكاء الاصطناعي في فحص المخدرات:

قد تحتاج عملية اكتشاف وتطوير عقار معين أكثر من عقد من الزمن وتكلف 2.8 مليار دولار أمريكي وسطياً. كما أن تسعة جزيئات علاجية من أصل عشرة تفشل في المرحلة الثانية من التجارب السريرية والموافقة التنظيمية 31 ، 32. كما تستخدم في التنبؤ بالنشاط والسمية في الجسم الحي والأورام وأمراض القلب والأوعية الدموية.

2. التنبؤ بالخصائص الفيزيائية والكيميائية:

يقصد بالخصائص الفيزيائية والكيميائية أي الذوبان، ومعامل التقسيم (logP)، ودرجة التأين، والنفاذية الجوهرية للدواء فهي تؤثر بشكل غير مباشر على خصائص الحرائك الدوائية وعائلة المستقبلات المستهدفة، لذا يجب أخذها بالاعتبار عند تصميم جديد. 

إذ من الممكن استخدام عدة أدوات الذكاء الاصطناعي للتنبؤ بالخصائص الفيزيائية والكيميائية. مثلاً يستخدم تعلم الآلة مجموعات كبيرة من البيانات أُنتجَت أثناء التحسين المركب المجرى مسبقًا لتدريب البرنامج. كما تتضمن خوارزميات تصميم الأدوية الواصفات الجزيئية كسلاسل SMILES، وقياسات الطاقة الكامنة، وكثافة الإلكترون حول الجزيء، وإحداثيات الذرات ثلاثية الأبعاد لتوليد جزيئات ممكنة عبر DNN وبالتالي التنبؤ بخصائصها.

تم إنشاء سير عمل كمي بين البنية والممتلكات (QSPR) لتحديد الخصائص الفيزيائية والكيميائية الست للمواد الكيميائية البيئية التي تم الحصول عليها من وكالة حماية البيئة (EPA) تسمى مجموعة واجهة برنامج التقدير (EPI). كما استخدمت الشبكات العصبية القائمة على برنامج توقع ADMET وبرنامج ALGOPS للتنبؤ بإثارة الدهون وقابلية الذوبان لمختلف المركبات. في حين استخدمت طرق DL كالشبكات العصبية العودية غير الموجهة للرسم البياني والشبكات العصبية التلافيفية القائمة على الرسم البياني (CVNN)، للتنبؤ بقابلية ذوبان الجزيئات.

في عدة حالات طوّرت النماذج المستندة إلى ANN، ونواة الرسم البياني، والنماذج القائمة على تلال النواة للتنبؤ بثابت التفكك الحمضي للمركبات 35، 39. إضافة إلى خطوط الخلايا كخلايا الكلى مادين-داربي والسرطان الغدي للقولون البشري إذ استخدمت خلايا Caco-2 لتوليد بيانات النفاذية الخلوية لفئة متنوعة من الجزيئات التي يتم تغذيتها لاحقًا إلى المتنبئين بمساعدة الذكاء الاصطناعي.

3. توقع النشاط الحيوي:

حيث تعتمد فعالية جزيئات الدواء على تقاربها للبروتين المستهدف أو المستقبل، إذ لا تستطيع جزيئات الأدوية التي لا تظهر تفاعل أو تقارب تجاه البروتين المستهدف من تقديم الاستجابة العلاجية. لكن في بعض الحالات قد يكون من الممكن تفاعل جزيئات الأدوية المتطورة مع البروتينات أو المستقبلات غير المقصودة مما يسبّب حدوث تسمم. حيث أن تقارب ارتباط هدف الدواء (DTBA) أمر حيوي للتنبؤ بالتفاعلات المستهدفة للدواء، إذ يمكن للطرق المعتمدة على الذكاء الاصطناعي قياس تقارب ارتباط الدواء بالنظر في ميزات أو أوجه التشابه بين الدواء وهدفه. حيث تتعرف التفاعلات القائمة على الميزات على الأجزاء الكيميائية للدواء الخاصة بالهدف لتحديد نواقل السمات. لكن التفاعل القائم على التشابه ينظر في التشابه بين الدواء والهدف، ويفترض أن الأدوية المماثلة ستتفاعل مع نفس الأهداف.

4. التنبؤ بالسمية:

أي التنبؤ بسمية جزيئات الدواء لتجنب التأثيرات السامة، فغالبًا تستخدم المقايسات في المختبر القائمة على الخلايا كدراسات أولية ثمَّ دراسات على الحيوانات لتحديد سمية المركب، ليزيد من تكلفة اكتشاف الدواء. يوجد عدة الأدوات المستندة إلى الويب بما يتضمن: LimTox و pkCSM و admetSAR و Toxtree لتساعد في تقليل التكلفة.

كما تبحث الأساليب المتقدمة القائمة على الذكاء الاصطناعي عن أوجه التشابه بين المركبات أو توقع سمية المركب بالاعتماد على ميزات الإدخال. تفوقت خوارزمية ML المسماة DeepTox على كل الطرق عبر تحديد السمات الثابتة والديناميكية داخل الواصفات الكيميائية للجزيئات بما يتضمن: الوزن الجزيئي (MW) وحجم Van der Waals كما تتنبأ بسمية الجزيء بالاعتماد على 2500 من سمات السمية المحددة سابقًا. أبرز أن الذكاء الاصطناعي المستخدمة في ذلك:

5. تطبيق الذكاء الاصطناعي في دورة حياة المنتجات الصيدلانية:

يشارك الذكاء الاصطناعي في تطوير منتج صيدلاني من المقعد إلى السرير نظرًا لأنه يمكن أن يساعد في تصميم دواء رشيد  والمساعدة في صنع القرار وتحديد العلاج المناسب للمريض  بما في ذلك الأدوية الشخصية؛ وإدارة البيانات السريرية الناتجة واستخدامها لتطوير الأدوية في المستقبل. يوضح الشكل التالي مختلف التطبيقات للذكاء الاصطناعي في اكتشاف الأدوية وتطويرها:

6. تطبيق الذكاء الاصطناعي في اكتشاف الأدوية:

يضم الفضاء الكيميائي 1060 جزيء مما يعزز تطوير عدد كبير من جزيئات الدواء، لكن الافتقار إلى التقنيات المتقدمة يحد من عملية تطوير الأدوية بالتالي تستغرق وقتًا أطول كما أنها تصبح مكلفة أكثر، لمن يعالج ذلك باستخدام الذكاء الاصطناعي. إذ يمكن التعرف على مركبات الضرب والرصاص، وتوفير التحقق بشكل أسرع من هدف الدواء وتحسين تصميم هيكل الدواء 19، 20. أبرز تطبيقات الذكاء الاصطناعي في اكتشاف الأدوية:

 في الختام:

باختصار، يكمن استخدام الذكاء الاصطناعي في المجال الطبي في مختلف مجالات اكتشاف الأمراض وصناعة الأدوية من اكتشاف الأدوية إلى إدارة المنتجات الصيدلانية.