هوش مصنوعی و یادگیری ماشینی نقش مهمی در کشف دارو ایفا می کنند و به طور بالقوه در زمان و هزینه قابل توجهی صرفه جویی می کنند.

طی چند سال گذشته ، هوش مصنوعی (AI) در زمینه کشف دارو ظهور کرده است. طراحی داروی هوش مصنوعی از رشته سیستم ورودی مولکولی ساده (SMILES) به یک شبکه عصبی گرافیکی توسعه یافته است که دقت و کارآیی کشف طرح دارویی جدید را افزایش داده است. هوش مصنوعی نه تنها قادر به طراحی داروها بر اساس مدل یادگیری عمیق آموزش دیده است ، بلکه می تواند از این مدلهای برای پیش بینی رترو سنتز و خواص دارویی مانند ADMET (جذب ، توزیع ، متابولیسم ، دفع و سمیت) استفاده کند.

پروفسور Qifeng Bai که در دانشگاه لانژو در چین کار می کند فکر می کند هوش مصنوعی طراحی دارویی سه بعدی را از طراحی داروهای 1 بعدی یا 2 بعدی تکامل می بخشد. گروه بای نرم افزاری را به نام MolAICal توسعه داده است که می تواند لیگاند های سه بعدی را در راستای اهداف بیماری با استفاده از الگوریتم های هوش مصنوعی و کلاسیک طراحی کند.

هوش مصنوعی برای اتصال مولکولی دارو توسعه یافته است. به عنوان مثال ، GNINA یک ابزار عالی است که بر اساس شبکه های عصبی کانولوشنال (CNNs) - شبکه های عصبی که عمدتا برای تجزیه و تحلیل تصاویر بصری استفاده می شود - برای اتصال مولکولی استفاده می شود. علاوه بر این ، شبیه سازی دینامیک مولکولی (MD) وسیله ای پویا است که می تواند دقت طراحی دارو را بهبود بخشد.

اگرچه شبیه سازی MD به عنوان روشی دقیق تر از طراحی داروهای ثابت در نظر گرفته می شود ، اما زمان و منابع محاسباتی برای مقابله با فضای ساختاری ابعاد بالا سیستم های شبیه سازی پیچیده بزرگ هزینه بر است. هوش مصنوعی می تواند روشی موثر و اقتصادی برای مقابله با داده های بزرگ شبیه سازی MD ارائه دهد و نقش مهمی در طراحی داروهای سه بعدی ثابت و پویا به نفع ما ایفا کند.

نرم افزار AlphaFold2 برای هوش مصنوعی ، زیست شناسی و پزشکی از ارزش بالایی برخوردار است. این امر به دانشگاهیان و صنعت الهام می دهد تا ابزارهای هوش مصنوعی بیشتری را برای کشف دارو توسعه دهند و هزینه و زمان بازار را کاهش دهند. جهت های مختلف پیشرفت کرده اند ، از جمله روش داربست مبتنی بر هوش مصنوعی برای خارج شدن از حفاظت از اختراع برای داروهای جدید ، پیش بینی ساختار پروتئین ، غربالگری مجازی ، شیمی مولد ، پیش بینی ADMET و برنامه ریزی مسیر مصنوعی بر اساس مدلهای یادگیری عمیق.

مشکلاتی که در کشف داروها وجود دارد همچنین منجر به توسعه یادگیری عمیق مانند یادگیری عمیق نمودار ، یادگیری عمیق فیزیکی ، مدل های مبتنی بر انرژی و غیره می شود.

به طور کلی ، هوش مصنوعی به تدریج در هر مرحله از کشف دارو از جمله مطالعات پیش بالینی و آزمایشات بالینی فازهای I ، II ، III ، IV و غیره وارد شده است. ما معتقدیم که هوش مصنوعی سرعت توسعه داروها را تسریع کرده و به بشر کمک می کند تا بر بیماری های بیشتری غلبه کند.

201000803.315