نقش هوش مصنوعی مولد در کشف دارو چیست؟ [ویدئو و آزمون]

پاسخ کوتاه: هوش مصنوعی مولد عمدتاً با تولید مولکول‌های کاندید یا توالی‌های پروتئینی، پیشنهاد مسیرهای سنتز و ارائه فرضیه‌های قابل آزمایش، کشف اولیه دارو را تسریع می‌کند، بنابراین تیم‌ها می‌توانند آزمایش‌های «کورکورانه» کمتری انجام دهند. این هوش مصنوعی زمانی بهترین عملکرد را دارد که محدودیت‌های سخت را اعمال کرده و خروجی‌ها را اعتبارسنجی کنید. اگر مانند یک پیشگو با آن رفتار شود، می‌تواند با اطمینان گمراه‌کننده باشد.

نکات کلیدی:

شتاب‌دهی: از GenAI برای گسترش تولید ایده استفاده کنید، سپس با فیلترینگ دقیق، دامنه آن را محدود کنید.

محدودیت‌ها: قبل از تولید، محدوده‌های ویژگی، قوانین داربست و محدودیت‌های تازگی را الزامی می‌کند.

اعتبارسنجی: خروجی‌ها را به عنوان فرضیه در نظر بگیرید؛ با سنجش‌ها و مدل‌های متعامد تأیید کنید.

قابلیت ردیابی: دستورالعمل‌ها، خروجی‌ها و منطق را ثبت کنید تا تصمیمات قابل حسابرسی و بررسی باشند.

مقاومت در برابر سوءاستفاده: با استفاده از مدیریت، کنترل‌های دسترسی و بررسی انسانی، از نشت اطلاعات و اعتماد بیش از حد جلوگیری کنید.

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 نقش هوش مصنوعی در مراقبت‌های بهداشتی
چگونه هوش مصنوعی تشخیص، گردش کار، مراقبت از بیمار و نتایج را بهبود می‌بخشد.

🔗 آیا هوش مصنوعی جایگزین رادیولوژیست‌ها خواهد شد؟
بررسی می‌کند که چگونه اتوماسیون، رادیولوژی را تقویت می‌کند و چه چیزی انسان را باقی می‌گذارد.

🔗 آیا هوش مصنوعی جایگزین پزشکان خواهد شد؟
نگاهی صادقانه به تأثیر هوش مصنوعی بر شغل و حرفه پزشکان.

🔗 بهترین ابزارهای آزمایشگاهی هوش مصنوعی برای اکتشافات علمی
ابزارهای برتر آزمایشگاه هوش مصنوعی برای تسریع آزمایش‌ها، تحلیل‌ها و اکتشافات.

نقش هوش مصنوعی مولد در کشف دارو، در یک نگاه 😮💨

هوش مصنوعی مولد به تیم‌های دارویی کمک می‌کند تا مولکول‌های کاندید را ایجاد کنند ، خواص را پیش‌بینی کنند، اصلاحات را پیشنهاد دهند، مسیرهای سنتز را پیشنهاد دهند، فرضیه‌های بیولوژیکی را بررسی کنند و چرخه‌های تکرار را فشرده کنند - به خصوص در کشف اولیه و بهینه‌سازی پیشرو. Nature 2023 (بررسی کشف لیگاند) Elsevier 2024 بررسی (مدل‌های مولد در طراحی داروی de novo)

و بله، می‌تواند با اطمینان خاطر مزخرفات هم تولید کند. این بخشی از معامله است. مثل یک انترن بسیار مشتاق با موتور موشک. راهنمای پزشکان (خطر توهم) npj Digital Medicine 2025 (توهم + چارچوب ایمنی)

چرا این موضوع بیش از آنچه مردم اعتراف می‌کنند اهمیت دارد 💥

بسیاری از کارهای اکتشافی «جستجو» هستند. جستجو در فضای شیمیایی، جستجو در زیست‌شناسی، جستجو در ادبیات، جستجو در روابط ساختار-عملکرد. مشکل این است که فضای شیمیایی... اساساً تقریباً بی‌نهایت است. حساب‌های تحقیقات شیمیایی ۲۰۱۵ (فضای شیمیایی) ایروین و شویچت ۲۰۰۹ (مقیاس فضای شیمیایی)

شما می‌توانید چندین عمر را صرف امتحان کردن تغییرات «معقول» کنید.

هوش مصنوعی مولد، گردش کار را از موارد زیر تغییر می‌دهد:

• «بیایید هر چه به ذهنمان می‌رسد را آزمایش کنیم»

به:

• «بیایید مجموعه‌ای بزرگتر و هوشمندانه‌تر از گزینه‌ها را ایجاد کنیم، سپس بهترین آنها را آزمایش کنیم»

این در مورد حذف آزمایش‌ها نیست. این در مورد انتخاب آزمایش‌های بهتر. 🧠 Nature 2023 (بررسی کشف لیگاند)

همچنین، و این موضوع کمتر مورد بحث قرار گرفته است، به تیم‌ها کمک می‌کند تا در رشته‌های مختلف با هم صحبت کنند. شیمی‌دانان، زیست‌شناسان، افراد DMPK، دانشمندان محاسباتی... هر کس مدل‌های ذهنی متفاوتی دارد. یک سیستم مولد مناسب می‌تواند به عنوان یک طرح مشترک عمل کند. مرور مرزهای کشف دارو ۲۰۲۴

چه چیزی یک نسخه خوب از هوش مصنوعی مولد را برای کشف دارو می‌سازد؟ ✅

همه هوش مصنوعی مولد به طور یکسان ایجاد نمی‌شوند. یک نسخه «خوب» برای این فضا، کمتر در مورد نمایش‌های پر زرق و برق و بیشتر در مورد قابلیت اطمینان غیرجذاب است (غیرجذاب بودن در اینجا یک مزیت است). Nature 2023 (بررسی کشف لیگاند)

یک مجموعه هوش مصنوعی مولد خوب معمولاً دارای موارد زیر است:

• زمینه‌سازی دامنه: آموزش‌دیده یا سازگار با داده‌های شیمیایی، بیولوژیکی و دارویی (نه فقط متن عمومی) 🧬 بررسی Elsevier 2024 (مدل‌های تولیدی)

• محدودیت‌ها - نسل اول: می‌تواند از قوانینی مانند محدوده‌های لیپوفیلیسیت، محدودیت‌های داربست، ویژگی‌های محل اتصال، اهداف گزینش‌پذیری پیروی کند. JCIM 2024 (مدل‌های انتشار در طراحی داروی de novo) REINVENT 4 (چارچوب باز)

• آگاهی از ویژگی‌ها: مولکول‌هایی تولید می‌کند که نه تنها جدید هستند، بلکه از نظر ADMET «غیرمسخره» نیز نیستند. ADMETlab 2.0 (چرا ADMET اولیه اهمیت دارد)

• گزارش عدم قطعیت: این گزارش نشان می‌دهد که چه زمانی حدس می‌زند و چه زمانی قطعی است (حتی یک باند اطمینان خام هم کمک می‌کند). اصول اعتبارسنجی OECD QSAR (دامنه کاربرد)

• کنترل‌های انسانی در حلقه: شیمیدانان می‌توانند خروجی‌ها را به سرعت هدایت، رد و هدایت کنند. Nature 2023 (گردش کار + زمینه فناوری اکتشاف)

• قابلیت ردیابی: می‌توانید ببینید که چرا یک پیشنهاد (حداقل تا حدی) رخ داده است، یا اینکه کورکورانه از راهنمایی‌های OECD QSAR (شفافیت مدل + اعتبارسنجی)

• مهار ارزیابی: اتصال، QSAR، فیلترها، بررسی‌های رتروسنتز - همه در 🔧 Nature 2023 (بررسی کشف لیگاند) یادگیری ماشین در CASP (Coley 2018)

• کنترل‌های بایاس و نشت: برای جلوگیری از ذخیره مخفیانه داده‌های آموزشی (بله، این اتفاق می‌افتد) USENIX 2021 (استخراج داده‌های آموزشی) Vogt 2023 (نگرانی‌های مربوط به نوآوری/منحصر به فرد بودن)

اگر هوش مصنوعی مولد شما نتواند محدودیت‌ها را مدیریت کند، اساساً یک مولد نوآوری است. در مهمانی‌ها سرگرم‌کننده است. در یک برنامه‌ی دارویی کمتر سرگرم‌کننده است.

جایی که هوش مصنوعی مولد در مسیر کشف دارو قرار می‌گیرد 🧭

این نقشه ذهنی ساده است. هوش مصنوعی مولد می‌تواند تقریباً در هر مرحله‌ای مشارکت کند، اما در جایی که تکرار پرهزینه و فضای فرضیه بسیار زیاد است، بهترین عملکرد را دارد. Nature 2023 (بررسی کشف لیگاند)

نقاط تماس رایج:

• کشف هدف و اعتبارسنجی (فرضیه‌ها، نقشه‌برداری مسیر، پیشنهادهای نشانگر زیستی) مرور مرزهای کشف دارو ۲۰۲۴

• شناسایی هیت (تقویت غربالگری مجازی، تولید هیت از نو) Nature Biotechnology 2019 (GENTRL)

• بهینه‌سازی سرنخ (پیشنهاد آنالوگ‌ها، تنظیم چند پارامتری) REINVENT 4

• پشتیبانی پیش‌بالینی (پیش‌بینی خواص ADMET، گاهی اوقات نکات مربوط به فرمولاسیون) ADMETlab 2.0

• CMC و برنامه‌ریزی سنتز (پیشنهادات سنتز برگشتی، اولویت‌بندی مسیر) AiZynthFinder 2020 Coley 2017 (سنتز برگشتی به کمک کامپیوتر)

• کار دانش (ترکیب منابع، خلاصه چشم‌انداز رقابتی) 📚 الگوها ۲۰۲۵ (کارشناسی ارشد مدیریت بازرگانی در کشف دارو)

در بسیاری از برنامه‌ها، بزرگترین پیروزی‌ها از ادغام گردش کار، نه از یک مدل واحد که «نبوغ» باشد. مدل موتور است - خط لوله ماشین. Nature 2023 (بررسی کشف لیگاند)

جدول مقایسه: رویکردهای هوش مصنوعی مولد محبوب مورد استفاده در کشف دارو 📊

یک جدول کمی ناقص، چون زندگی واقعی کمی ناقص است.

یادداشت‌ها: قیمت‌گذاری بسته به مقیاس، محاسبات، مجوزها و اینکه آیا تیم شما می‌خواهد «نصب و راه‌اندازی» یا «بیایید یک سفینه فضایی بسازیم» بسیار متفاوت است

نگاه دقیق‌تر: هوش مصنوعی مولد برای کشف موفقیت و طراحی از نو 🧩

این مورد استفاده اصلی است: تولید مولکول‌های کاندید از ابتدا (یا از یک داربست) که با مشخصات هدف مطابقت دارند. Nature Biotechnology 2019 (GENTRL) REINVENT 4

نحوه عملکرد معمول آن در عمل:

1. تعریف محدودیت‌ها

   • کلاس هدف، شکل حفره اتصال، لیگاندهای شناخته شده

   • محدوده‌های خواص (حلالیت، logP، PSA و غیره) لیپینسکی (زمینه قانون ۵)

   • محدودیت‌های تازگی (اجتناب از مناطق IP شناخته‌شده) 🧠 وگت ۲۰۲۳ (ارزیابی تازگی)

2. کاندیداها را ایجاد کنید

   • پرش داربستی

   • رشد قطعه

   • پیشنهادهای «تزئین این هسته»

   • تولید چند هدفه (اتصال + نفوذپذیر + تقریباً غیرسمی) REINVENT 4 بررسی Elsevier 2024 (مدل‌های تولیدی)

3. فیلترینگ تهاجمی

   • قوانین شیمی دارویی

   • PAINS و فیلترهای گروهی واکنشی Baell & Holloway 2010 (PAINS)

   • بررسی‌های قابلیت ترکیب‌پذیری AiZynthFinder 2020

   • داکینگ / امتیازدهی (ناقص اما مفید) نیچر ۲۰۲۳ (بررسی کشف لیگاند)

4. یک مجموعه کوچک برای سنتز انتخاب کنید

   • انسان‌ها هنوز هم انتخاب می‌کنند، چون گاهی اوقات می‌توانند بوی مزخرفات را حس کنند

حقیقت ناخوشایند: ارزش فقط «مولکول‌های جدید» نیست. بلکه مولکول‌های جدیدی هستند که برای محدودیت‌های برنامه شما منطقی به نظر می‌رسند. آن بخش آخر همه چیز است. Nature 2023 (بررسی کشف لیگاند)

همچنین، کمی اغراق هم در کار است: وقتی خوب انجام شود، انگار تیمی از شیمیدان‌های جوان خستگی‌ناپذیر را استخدام کرده‌اید که هرگز نمی‌خوابند و شکایت نمی‌کنند. از طرف دیگر، آنها نمی‌فهمند که چرا یک استراتژی محافظتی خاص یک کابوس است، بنابراین... تعادل را رعایت کنید 😅.

نگاه دقیق‌تر: بهینه‌سازی سرنخ با هوش مصنوعی مولد (تنظیم چند پارامتری) 🎛️

بهینه‌سازی سرنخ (لید) جایی است که رویاها پیچیده می‌شوند.

شما می‌خواهید:

• قدرت بالا

• گزینش پذیری بالا

• افزایش پایداری متابولیک

• حلالیت بالا

• سیگنال‌های ایمنی خاموش هستند

• نفوذپذیری «کاملاً مناسب»

• و همچنان قابل ترکیب باشد

این یک بهینه‌سازی چندهدفه کلاسیک است. هوش مصنوعی مولد به طور غیرمعمولی در پیشنهاد مجموعه‌ای از راه‌حل‌های جایگزین خوب است، نه اینکه وانمود کند یک ترکیب بی‌نقص وجود دارد. REINVENT 4 Elsevier 2024 review (generative models)

روش‌های عملی استفاده از آن توسط تیم‌ها:

• پیشنهاد مشابه: «۳۰ نوع مختلف بسازید که میزان کلیرانس را کاهش دهند اما قدرت را حفظ کنند»

• اسکن جایگزین: کاوش هدایت‌شده به جای شمارش بی‌رحمانه

• پرش داربست: وقتی یک هسته به دیواره برخورد می‌کند (سم، IP یا پایداری)

• پیشنهادهای توضیحی: «این گروه قطبی ممکن است به حلالیت کمک کند اما می‌تواند به نفوذپذیری آسیب برساند» (همیشه درست نیست، اما مفید است)

یک نکته احتیاطی: پیش‌بینی‌کننده‌های ویژگی می‌توانند شکننده باشند. اگر داده‌های آموزشی شما با سری شیمیایی شما مطابقت نداشته باشند، مدل می‌تواند با اطمینان اشتباه باشد. مثلاً خیلی اشتباه. و از این بابت هم پشیمان نخواهد شد. اصول اعتبارسنجی QSAR OECD (دامنه کاربرد) ویور ۲۰۰۸ (دامنه کاربرد QSAR)

نگاه دقیق‌تر: تست اعتیاد به مواد مخدر، مسمومیت، و غربالگری «لطفاً برنامه را از بین نبرید» 🧯

ADMET جایی است که بسیاری از کاندیداها بی‌سروصدا شکست می‌خورند. هوش مصنوعی مولد، زیست‌شناسی را حل نمی‌کند، اما می‌تواند اشتباهات قابل اجتناب را کاهش دهد. ADMETlab 2.0 Waring 2015 (فرسایش)

نقش‌های رایج:

• پیش‌بینی بدهی‌های متابولیک (محل‌های متابولیسم، روندهای پاکسازی)

• علامت‌گذاری موتیف‌های احتمالی سمیت (هشدارها، واسطه‌های واکنش‌پذیر به عنوان نماینده)

• تخمین محدوده‌های حلالیت و نفوذپذیری

• پیشنهاد اصلاحات برای کاهش خطر hERG یا بهبود پایداری 🧪 FDA (پرسش و پاسخ ICH E14/S7B) EMA (مروری بر ICH E14/S7B)

مؤثرترین الگو معمولاً به این شکل است: از GenAI برای پیشنهاد گزینه‌ها استفاده کنید، اما برای تأیید از مدل‌ها و آزمایش‌های تخصصی استفاده کنید.

هوش مصنوعی مولد موتور ایده‌پردازی است. اعتبارسنجی هنوز در سنجش‌ها وجود دارد.

نگاهی دقیق‌تر: هوش مصنوعی مولد برای زیست‌شناسی و مهندسی پروتئین 🧬✨

کشف دارو فقط به مولکول‌های کوچک محدود نمی‌شود. هوش مصنوعی مولد همچنین برای موارد زیر استفاده می‌شود:

• تولید توالی آنتی‌بادی

• پیشنهادات بلوغ میل ترکیبی

• بهبود پایداری پروتئین

• مهندسی آنزیم

• کاوش در درمان‌های پپتیدی ProteinMPNN (علوم ۲۰۲۲) Rives 2021 (مدل‌های زبان پروتئین)

تولید پروتئین و توالی می‌تواند قدرتمند باشد زیرا «زبان» توالی‌ها به طرز شگفت‌آوری به خوبی با روش‌های یادگیری ماشینی نگاشت می‌شود. اما نکته‌ی اصلی اینجاست: تا زمانی که این اتفاق نیفتد، به خوبی نگاشت می‌شود. زیرا محدودیت‌های ایمنی‌زایی، بیان، الگوهای گلیکوزیلاسیون و قابلیت توسعه می‌توانند بی‌رحم باشند. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

بنابراین بهترین تنظیمات شامل موارد زیر است:

• فیلترهای توسعه‌پذیری

• امتیازدهی ریسک ایمنی‌زایی

• محدودیت‌های قابلیت تولید

• حلقه‌های آزمایشگاه مرطوب برای تکرار سریع 🧫

اگر از آنها صرف نظر کنید، یک سکانس فوق‌العاده خواهید داشت که در مرحله‌ی تولید مثل یک شاهکار موسیقی عمل می‌کند.

نگاه دقیق‌تر: برنامه‌ریزی سنتز و پیشنهادهای رتروسنتز 🧰

هوش مصنوعی مولد نه تنها در ایده‌پردازی مولکولی، بلکه در عملیات شیمی نیز نفوذ کرده است.

برنامه‌ریزان سنتز برگشتی می‌توانند:

• پیشنهاد مسیرهایی به یک ترکیب هدف

• مواد اولیه موجود در بازار را پیشنهاد دهید

• رتبه‌بندی مسیرها بر اساس تعداد گام‌ها یا امکان‌پذیری درک‌شده

• به شیمیدانان کمک کنید تا به سرعت ایده‌های «بامزه اما غیرممکن» را رد کنند. AiZynthFinder 2020 Coley 2018 (CASP)

این می‌تواند در زمان واقعی صرفه‌جویی کند، به‌خصوص وقتی که در حال بررسی ساختارهای کاندید زیادی هستید. با این حال، انسان‌ها در اینجا اهمیت زیادی دارند زیرا:

• تغییرات در دسترس بودن معرف

• نگرانی‌های ایمنی و مقیاس واقعی هستند

• بعضی مراحل روی کاغذ خوب به نظر می‌رسند اما بارها و بارها شکست می‌خورند

استعاره‌ای نه چندان بی‌نقص، اما به هر حال از آن استفاده می‌کنم: هوش مصنوعی رتروسنتز مانند یک GPS است که تقریباً درست عمل می‌کند، به جز گاهی اوقات که شما را از میان یک دریاچه هدایت می‌کند و اصرار دارد که این یک میانبر است. 🚗🌊 کولی ۲۰۱۷ (رتروسنتز به کمک کامپیوتر)

داده‌ها، مدل‌های چندوجهی و واقعیت ناهموار آزمایشگاه‌ها 🧾🧪

هوش مصنوعی مولد عاشق داده‌ها است. آزمایشگاه‌ها داده‌ها را تولید می‌کنند. روی کاغذ، این ساده به نظر می‌رسد.

ها. نه.

داده‌های آزمایشگاهی واقعی عبارتند از:

• ناقص

• پر سر و صدا

• پر از اثرات دسته‌ای ، لیک و همکاران، ۲۰۱۰ (اثرات دسته‌ای)، نیچر، ۲۰۲۴ (اثرات دسته‌ای در تصویربرداری سلولی)

• پراکنده در قالب‌ها

• از قراردادهای نامگذاری «خلاقانه» برخوردار است

سیستم‌های مولد چندوجهی می‌توانند موارد زیر را با هم ترکیب کنند:

• نتایج سنجش

• ساختارهای شیمیایی

• تصاویر (میکروسکوپی، بافت‌شناسی)

• اومیکس (ترانسکریپتومیکس، پروتئومیکس)

• متن (پروتکل‌ها، ELNها، گزارش‌ها) npj پزشکی دیجیتال ۲۰۲۵ (چندوجهی در زیست‌فناوری) تحلیل تصویر پزشکی ۲۰۲۵ (هوش مصنوعی چندوجهی در پزشکی)

وقتی جواب می‌دهد، فوق‌العاده است. می‌توانید الگوهای غیربدیهی را کشف کنید و آزمایش‌هایی را پیشنهاد دهید که ممکن است یک متخصص به تنهایی از آنها غافل شود.

وقتی شکست می‌خورد، بی‌سروصدا شکست می‌خورد. در را محکم نمی‌بندد. فقط شما را به سمت یک نتیجه‌گیری مطمئن اشتباه سوق می‌دهد. به همین دلیل است که مدیریت، اعتبارسنجی و بررسی دامنه اختیاری نیستند. راهنمای پزشکان (توهمات) npj پزشکی دیجیتال 2025 (توهم + چارچوب ایمنی)

خطرات، محدودیت‌ها و بخش «فریب خروجی روان را نخورید» ⚠️

اگر فقط یک چیز را به خاطر دارید، این را به خاطر داشته باشید: هوش مصنوعی مولد، متقاعدکننده است. می‌تواند در عین اشتباه بودن، درست به نظر برسد. راهنمای پزشکان (توهمات)

خطرات کلیدی:

• مکانیسم‌های توهم‌زا: زیست‌شناسی محتملی که واقعی نیست، راهنمای پزشکان (توهمات)

• نشت داده‌ها: تولید چیزی بسیار نزدیک به ترکیبات شناخته شده USENIX 2021 (استخراج داده‌های آموزشی) Vogt 2023 (نگرانی‌های مربوط به تازگی/منحصر به فرد بودن)

• بهینه‌سازی بیش از حد: دنبال کردن نمرات پیش‌بینی‌شده‌ای که در شرایط آزمایشگاهی (in vitro) قابل اجرا نیستند، مجله Nature 2023 (مرور کشف لیگاند)

• سوگیری: داده‌های آموزشی به سمت شیمی‌تایپ‌ها یا اهداف خاص Vogt 2023 متمایل شده‌اند (ارزیابی مدل + سوگیری/نوآوری)

• تازگی کاذب: مولکول‌های «جدید» که در واقع گونه‌های بی‌اهمیتی هستند. وگت، ۲۰۲۳

• شکاف‌های توضیح‌پذیری: توجیه تصمیمات برای ذینفعان دشوار است اصول اعتبارسنجی QSAR OECD

• نگرانی‌های امنیتی و IP: جزئیات حساس برنامه در اعلان‌ها 😬 USENIX 2021 (استخراج داده‌های آموزشی)

راهکارهایی که در عمل به کاهش خطرات کمک می‌کنند:

• انسان‌ها را در حلقه تصمیم‌گیری نگه دارید

• اعلان‌ها و خروجی‌های لاگ برای قابلیت ردیابی

• اعتبارسنجی با روش‌های متعامد (سنجش‌ها، مدل‌های جایگزین)

• اعمال محدودیت‌ها و فیلترها به صورت خودکار

• با خروجی‌ها به عنوان فرضیه برخورد کنید، نه به عنوان حقیقت (راهنمای OECD QSAR)

هوش مصنوعی مولد یک ابزار قدرتمند است. ابزارهای قدرتمند شما را نجار نمی‌کنند... اگر ندانید چه کار می‌کنید، فقط سریع‌تر اشتباه می‌کنند.

چگونه تیم‌ها بدون هرج و مرج، هوش مصنوعی مولد را به کار می‌گیرند 🧩🛠️

تیم‌ها اغلب می‌خواهند بدون تبدیل سازمان به یک نمایشگاه علمی از این استفاده کنند. یک مسیر پذیرش عملی به این شکل است:

• با یک گلوگاه شروع کنید (گسترش ضربه، تولید آنالوگ، اولویت‌بندی مقالات) نیچر ۲۰۲۳ (بررسی کشف لیگاند)

• یک حلقه ارزیابی دقیق ایجاد کنید (فیلترها + اتصال + بررسی ویژگی‌ها + بررسی شیمیایی) REINVENT 4 AiZynthFinder 2020

• اندازه‌گیری نتایج (صرفه‌جویی در زمان، نرخ موفقیت، کاهش فرسایش) وارینگ ۲۰۱۵ (فرسایش)

• ادغام با ابزارهای موجود (ELN، ثبت ترکیبات، پایگاه‌های داده سنجش) منبع EDINBURGH ELN

• ایجاد قوانین استفاده (چه چیزهایی می‌توانند نمایش داده شوند، چه چیزهایی آفلاین می‌مانند، مراحل بررسی) USENIX 2021 (ریسک استخراج داده‌ها)

• افراد را به آرامی آموزش دهید (جدی می‌گویم، بیشتر خطاها از سوء استفاده ناشی می‌شوند، نه از مدل) راهنمای پزشکان (توهمات)

همچنین، فرهنگ را دست کم نگیرید. اگر شیمیدان‌ها احساس کنند که هوش مصنوعی به آنها تحمیل شده است، آن را نادیده می‌گیرند. اگر در زمانشان صرفه‌جویی شود و به تخصصشان احترام گذاشته شود، سریع آن را می‌پذیرند. انسان‌ها به این شکل بامزه هستند 🙂.

نقش هوش مصنوعی مولد در کشف دارو وقتی از زاویه دید کوچک‌تر به آن نگاه کنیم چیست؟ 🔭

اگر بخواهیم از زاویه دید کوچک‌تری به قضیه نگاه کنیم، نقش «جایگزینی دانشمندان» نیست، بلکه «گسترش پهنای باند علمی» است. نیچر ۲۰۲۳ (بررسی کشف لیگاند)

به تیم‌ها کمک می‌کند:

• فرضیه‌های بیشتری را در هفته بررسی کنید

• پیشنهاد ساختارهای کاندید بیشتر در هر چرخه

• آزمایش‌ها را هوشمندانه‌تر اولویت‌بندی کنید

• فشرده‌سازی حلقه‌های تکرار بین طراحی و آزمایش

• اشتراک‌گذاری دانش بین واحدهای مختلف، الگوهای ۲۰۲۵ (کارشناسی ارشد مدیریت بازرگانی در کشف دارو)

و شاید دست‌کم گرفته‌شده‌ترین بخش: به شما کمک می‌کند تا خلاقیت گران‌قیمت انسانی را صرف کارهای تکراری نکنید . مردم باید به مکانیسم، استراتژی و تفسیر فکر کنند - نه اینکه روزها را صرف تهیه لیست‌های مختلف با دست کنند. Nature 2023 (بررسی کشف لیگاند)

بنابراین بله، نقش هوش مصنوعی مولد در کشف دارو، یک شتاب‌دهنده، یک مولد، یک فیلتر و گاهی اوقات یک دردسرساز است. اما نقشی ارزشمند.

خلاصه پایانی 🧾✅

هوش مصنوعی مولد در حال تبدیل شدن به یک قابلیت اصلی در کشف داروهای مدرن است زیرا می‌تواند مولکول‌ها، فرضیه‌ها، توالی‌ها و مسیرها را سریع‌تر از انسان تولید کند - و می‌تواند به تیم‌ها کمک کند تا آزمایش‌های بهتری را انتخاب کنند. مرور مرزهای کشف دارو ۲۰۲۴، نیچر ۲۰۲۳ (بررسی کشف لیگاند)

خلاصه نکات:

• در کشف زودهنگام و هدایت حلقه‌های بهینه‌سازی بهترین است ⚙️ REINVENT 4

• از مولکول‌های کوچک و زیست‌پزشکی پشتیبانی می‌کند . GENTRL (Nature Biotech 2019) ProteinMPNN (Science 2022)

• با گسترش قیف ایده، بهره‌وری را افزایش می‌دهد. Nature 2023 (بررسی کشف لیگاند)

• برای جلوگیری از یاوه‌گویی‌های اطمینان‌بخش ، به محدودیت‌ها، اعتبارسنجی و نیروی انسانی نیاز دارد. اصول QSAR سازمان همکاری و توسعه اقتصادی (OECD ) راهنمای پزشکان (توهمات)

• بزرگترین پیروزی‌ها از ادغام گردش کار، نه از بازاریابی (بررسی کشف لیگاند در Nature 2023)

اگر با آن مثل یک همکار رفتار کنید - نه یک پیشگو - می‌تواند برنامه‌ها را واقعاً پیش ببرد. و اگر با آن مثل یک پیشگو رفتار کنید... خب، ممکن است دوباره آن GPS را تا دریاچه دنبال کنید. 

مثال دنیای واقعی: ساخت یک گردش کار تولید مولکول با محدودیت اولیه 🧪

سناریو

یک تیم کوچک بیوتکنولوژی خیالی اما واقع‌بینانه روی یک هدف بیماری التهابی کار می‌کند. آنها در حال حاضر ۴۲ مورد تایید شده ضعیف از غربالگری دارند، اما اکثر آنها حلالیت ضعیفی دارند و تعداد کمی از آنها خیلی نزدیک به فضای ثبت اختراع رقیب هستند.

به جای اینکه از یک مدل مولد خواسته شود «مولکول‌های بهتری پیدا کند» - که اساساً دعوتی برای دریافت مزخرفات زیبا است - تیم یک گردش کار فشرده برای گسترش موفقیت ایجاد می‌کند.

هدف ساده است: تولید مجموعه وسیع‌تری از آنالوگ‌ها، فیلتر کردن دقیق آنها و ارسال تنها قابل دفاع‌ترین کاندیداها برای بررسی شیمی دارویی.

آنچه دستیار نیاز دارد

تیم به سیستم موارد زیر را ارائه می‌دهد:

مشخصات هدف و اطلاعات لیگاند شناخته شده

۴۲ سازه‌ی مورد اصابت تایید شده

محدودیت‌های خواص برای وزن مولکولی، logP، TPSA، حلالیت و پیش‌بینی کلیرانس

داربست‌های مسدود شده و آستانه‌های شباهت برای اجتناب از IP

فیلترهای PAINS و گروه‌های واکنشی Baell & Holloway 2010

پیش‌بینی ADMET ADMETlab 2.0 را بررسی می‌کند

بررسی‌های امکان‌سنجی رتروسنتز AiZynthFinder 2020

قوانین بررسی انسانی برای انتخاب نهایی

نکته مهم: مدل اجازه ندارد به خودی خود برای قدرت بهینه‌سازی شود. باید بین قدرت، نوآوری، قابلیت توسعه و قابلیت ترکیب تعادل برقرار کند.

دستورالعمل مثال

بر اساس این ساختارهای تایید شده، ۱۵۰ ایده آنالوگ ایجاد کنید. وزن مولکولی را بین ۳۰۰ تا ۴۸۰، logP پیش‌بینی‌شده را بین ۱.۵ تا ۴.۰، TPSA را زیر ۱۱۰ نگه دارید و از داربست‌های مسدود شده ذکر شده در فایل IP اجتناب کنید. ساختارهایی را که هیچ هشدار PAINS، هیچ گروه واکنشی آشکاری ندارند و یک مسیر سنتز محتمل پنج مرحله‌ای یا کمتر دارند، در اولویت قرار دهید. برای هر مولکول، اصلاح اصلی، بهبود ویژگی مورد نظر، خطر کلیدی و اینکه آیا ترکیب باید رد، بررسی یا در اولویت قرار گیرد را توضیح دهید.

چگونه آن را آزمایش کنیم

تیم به اولین خروجی اعتماد ندارد. آنها یک حلقه ارزیابی کوچک را اجرا می‌کنند:

بررسی کنید که آیا مولکول‌های تولید شده از محدودیت‌های ویژگی پیروی می‌کنند یا خیر

حذف ساختارهای تقریباً تکراری و ساختارهایی که خیلی به ترکیبات شناخته شده نزدیک هستند

فیلترهای PAINS، گروه واکنشی و شیمی دارویی پایه را اجرا کنید

اجرای مدل ویژگی دوم برای مقایسه پیش‌بینی‌های ADMET

از دو شیمیدان بخواهید که به طور مستقل به 30 کاندیدای برتر امتیاز بدهند

فقط فهرست کوتاه با بالاترین امتیاز را به بحث سنتز ارسال کنید

یک سوال آزمایشی ارزشمند این است: «اگر هوش مصنوعی این مولکول را پیشنهاد نمی‌کرد، آیا هنوز آن را در نظر می‌گرفتیم؟»

وقتی جواب منفی است، تیم می‌پرسد چرا. گاهی اوقات این نشان دهنده یک ایده جدید خوب است. گاهی اوقات نیز نشان دهنده تفکر آرزومندانه مبتنی بر مدل است.

نتیجه

فقط نتیجه‌ی نمایشی - یک مطالعه‌ی موردی واقعی از یک شرکت نیست.

بر اساس زمان‌بندی سه وظیفه نمونه بسط هدف، گردش کار دستی حدود ۵ ساعت طول کشید تا ۶۰ ایده آنالوگ را ایجاد و اولویت‌بندی کند. گردش کار GenAI با محدودیت-اول، ۱۵۰ کاندیدای اولیه را در حدود ۵۵ دقیقه تولید کرد.

پس از فیلتر کردن، تنها ۲۷ نامزد از صفحه نمایش کامل جان سالم به در بردند. از این تعداد، شیمیدانان ۹ مورد را شایسته بررسی عمیق‌تر، ۱۲ مورد را «جالب اما پرخطر» و ۶ مورد را «رد شده در حین بررسی» ارزیابی کردند.

این یعنی خروجی ارزشمند «۱۵۰ مولکول جدید» نبوده است. خروجی ارزشمند، ۹ کاندیدای قابل بررسی در کمتر از ۱ ساعت بوده است، به همراه یک مسیر حسابرسی واضح که نشان می‌دهد هر کاندیدا از کدام محدودیت‌ها عبور کرده یا رد شده است.

یک تیم می‌تواند با ردیابی موارد زیر این موضوع را تأیید کند:

زمان صرف شده در هر چرخه طراحی

تعداد ساختارهای تولید شده

درصد حذف شده توسط فیلترها

نرخ پذیرش شیمیدان

تعداد کاندیداهای انتخاب شده برای سنتز

عددی که بعداً در سنجش فعال بودن آن تأیید شد

چه چیزی می‌تواند اشتباه پیش برود؟

این مدل ممکن است به جای ارائه شیمی واقعاً صحیح، حول محور فیلترها بهینه‌سازی کند.

یک کاندید می‌تواند در ADMET پیش‌بینی‌شده عالی به نظر برسد اما در یک سنجش واقعی فوراً شکست بخورد. اصول اعتبارسنجی QSAR OECD

پیشنهادهای سنتز برگشتی ممکن است با تکیه بر معرف‌های در دسترس، شرایط نامناسب یا شیمی ناامن، محتمل به نظر برسند.

فیلتر جدید ممکن است ترکیبات ارزشمند را بیش از حد تهاجمی حذف کند، یا مولکول‌هایی را که هنوز خیلی نزدیک به IP شناخته شده هستند، از خود عبور دهد.

بزرگترین اشتباه این است که فهرست رتبه‌بندی‌شده را به عنوان حقیقت در نظر بگیریم. این فقط یک فهرست فرضیه اولویت‌بندی‌شده است.

نکته کاربردی

بهترین کاربرد هوش مصنوعی مولد در کشف دارو این نیست که «دکمه را فشار دهید، دارو را دریافت کنید». این یک کارخانه ایده‌پردازی کنترل‌شده است: به‌طور گسترده ایده تولید کنید، به‌طور بی‌رحمانه‌ای فیلتر کنید، هر تصمیمی را مستند کنید و بگذارید دانشمندان تصمیم نهایی را بگیرند.

سوالات متداول

نقش هوش مصنوعی مولد در کشف دارو چیست؟

هوش مصنوعی مولد در درجه اول با پیشنهاد مولکول‌های کاندید، توالی‌های پروتئینی، مسیرهای سنتز و فرضیه‌های بیولوژیکی، قیف ایده را در کشف اولیه و بهینه‌سازی پیشرو گسترش می‌دهد. ارزش آن کمتر در «جایگزینی آزمایش‌ها» و بیشتر در «انتخاب آزمایش‌های بهتر» با تولید گزینه‌های زیاد و سپس فیلتر کردن دقیق است. این هوش مصنوعی به عنوان یک شتاب‌دهنده در یک گردش کار منظم، بهترین عملکرد را دارد، نه به عنوان یک تصمیم‌گیرنده مستقل.

هوش مصنوعی مولد در کجای مسیر کشف دارو بهترین عملکرد را دارد؟

این روش معمولاً بیشترین ارزش را در جایی که فضای فرضیه وسیع و تکرار آن پرهزینه است، مانند شناسایی موفقیت، طراحی از نو و بهینه‌سازی سرنخ، ارائه می‌دهد. تیم‌ها همچنین از آن برای اولویت‌بندی ADMET، پیشنهادهای رتروسنتز و پشتیبانی از ادبیات یا فرضیه استفاده می‌کنند. بزرگترین دستاوردها معمولاً از ادغام تولید با فیلترها، امتیازدهی و بررسی انسانی حاصل می‌شود، نه اینکه انتظار داشته باشید یک مدل واحد «هوشمند» باشد

چگونه می‌توان محدودیت‌هایی را تعیین کرد تا مدل‌های مولد، مولکول‌های بی‌فایده تولید نکنند؟

یک رویکرد عملی، تعریف محدودیت‌ها قبل از تولید است: محدوده‌های ویژگی (مانند حلالیت یا اهداف logP)، قوانین داربست یا زیرساختار، ویژگی‌های جایگاه اتصال و محدودیت‌های تازگی. سپس فیلترهای شیمی دارویی (از جمله گروه‌های PAINS/واکنشی) و بررسی‌های قابلیت سنتز را اعمال کنید. تولید محدودیت-اول به ویژه با طراحی مولکولی به سبک انتشار و چارچوب‌هایی مانند REINVENT 4، که در آن اهداف چند هدفه قابل کدگذاری هستند، مفید است.

تیم‌ها چگونه باید خروجی‌های GenAI را اعتبارسنجی کنند تا از توهم و اعتماد به نفس بیش از حد جلوگیری شود؟

هر خروجی را به عنوان یک فرضیه، نه یک نتیجه‌گیری، در نظر بگیرید و با سنجش‌ها و مدل‌های متعامد اعتبارسنجی کنید. تولید را با فیلترینگ تهاجمی، اتصال یا امتیازدهی در صورت لزوم، و بررسی‌های دامنه کاربرد برای پیش‌بینی‌کننده‌های سبک QSAR جفت کنید. در صورت امکان، عدم قطعیت را قابل مشاهده کنید، زیرا مدل‌ها می‌توانند با اطمینان در شیمی خارج از توزیع یا ادعاهای بیولوژیکی متزلزل اشتباه کنند. بررسی انسان در حلقه همچنان یک ویژگی ایمنی اصلی است.

چگونه می‌توانید از نشت داده‌ها، ریسک مالکیت معنوی و خروجی‌های «به‌خاطر سپرده‌شده» جلوگیری کنید؟

از کنترل‌های مدیریتی و دسترسی استفاده کنید تا جزئیات حساس برنامه به طور اتفاقی در اعلان‌ها قرار نگیرند و اعلان‌ها/خروجی‌ها را برای قابلیت حسابرسی ثبت کنید. بررسی‌های تازگی و شباهت را اعمال کنید تا کاندیداهای تولید شده خیلی نزدیک به ترکیبات شناخته شده یا مناطق حفاظت شده قرار نگیرند. قوانین روشنی در مورد اینکه چه داده‌هایی در سیستم‌های خارجی مجاز هستند، وضع کنید و محیط‌های کنترل شده را برای کارهای با حساسیت بالا ترجیح دهید. بررسی انسانی به تشخیص زودهنگام پیشنهادات "خیلی آشنا" کمک می‌کند.

چگونه از هوش مصنوعی مولد برای بهینه‌سازی سرنخ‌ها و تنظیم چند پارامتری استفاده می‌شود؟

در بهینه‌سازی پیشرو، هوش مصنوعی مولد ارزشمند است زیرا می‌تواند به جای دنبال کردن یک ترکیب «کامل»، چندین راه‌حل جایگزین ارائه دهد. گردش‌های کاری رایج شامل پیشنهاد آنالوگ، اسکن جایگزین هدایت‌شده و پرش داربستی در زمانی است که محدودیت‌های قدرت، سم یا IP مانع پیشرفت می‌شوند. پیش‌بینی‌کننده‌های ویژگی می‌توانند شکننده باشند، بنابراین تیم‌ها معمولاً کاندیداها را با چندین مدل رتبه‌بندی می‌کنند و سپس بهترین گزینه‌ها را به صورت تجربی تأیید می‌کنند.

آیا هوش مصنوعی مولد می‌تواند به زیست‌شناسی و مهندسی پروتئین نیز کمک کند؟

بله - تیم‌ها از آن برای تولید توالی آنتی‌بادی، ایده‌های بلوغ میل ترکیبی، بهبود پایداری و اکتشاف آنزیم یا پپتید استفاده می‌کنند. تولید پروتئین/توالی می‌تواند بدون قابل توسعه بودن، محتمل به نظر برسد، بنابراین اعمال فیلترهای قابلیت توسعه، ایمنی‌زایی و قابلیت تولید مهم است. ابزارهای ساختاری مانند AlphaFold می‌توانند از استدلال پشتیبانی کنند، اما «ساختار محتمل» هنوز اثبات بیان، عملکرد یا ایمنی نیست. حلقه‌های آزمایشگاه مرطوب همچنان ضروری هستند.

هوش مصنوعی مولد چگونه از برنامه‌ریزی سنتز و رتروسنتز پشتیبانی می‌کند؟

برنامه‌ریزان سنتز برگشتی می‌توانند مسیرها، مواد اولیه و رتبه‌بندی مسیرها را پیشنهاد دهند تا ایده‌پردازی را سرعت بخشند و مسیرهای غیرممکن را به سرعت رد کنند. ابزارها و رویکردهایی مانند برنامه‌ریزی به سبک AiZynthFinder زمانی بیشترین اثربخشی را دارند که با بررسی‌های امکان‌سنجی در دنیای واقعی از سوی شیمیدانان همراه شوند. در دسترس بودن، ایمنی، محدودیت‌های افزایش مقیاس و «واکنش‌های کاغذی» که در عمل شکست می‌خورند، هنوز نیاز به قضاوت انسانی دارند. با استفاده از این روش، بدون تظاهر به حل مسائل شیمی، در زمان صرفه‌جویی می‌شود.

منابع

1. طبیعت - بررسی کشف لیگاند (2023) - nature.com

2. بیوتکنولوژی طبیعت - GENTRL (2019) - nature.com

3. طبیعت - آلفافولد (۲۰۲۱) - nature.com

4. طبیعت - RFdiffusion (2023) - nature.com

5. بیوتکنولوژی طبیعت - ProteinGenerator (2024) - nature.com

6. ارتباطات طبیعت - اثرات دسته‌ای در تصویربرداری سلولی (2024) - nature.com

7. پزشکی دیجیتال npj - چارچوب توهم + ایمنی (2025) - nature.com

8. پزشکی دیجیتال npj - چندوجهی در زیست‌فناوری (۲۰۲۵) - nature.com

9. علم - ProteinMPNN (2022) - science.org

10. الگوهای سلولی - LLM در کشف دارو (2025) - cell.com

11. ScienceDirect (Elsevier) - مدل‌های تولیدی در طراحی داروی de novo (2024) - sciencedirect.com

12. ScienceDirect (Elsevier) - Vogt (2023): نگرانی‌های مربوط به تازگی/منحصر به فرد بودن - sciencedirect.com

13. تحلیل تصاویر پزشکی (ScienceDirect) - هوش مصنوعی چندوجهی در پزشکی (2025) - sciencedirect.com

14. PubMed Central - راهنمای پزشکان (خطر توهم) - nih.gov

15. حساب‌های تحقیقات شیمیایی (انتشارات ACS) - فضای شیمی (2015) - acs.org

16. PubMed Central - Irwin & Shoichet (2009): مقیاس فضای شیمیایی - nih.gov

17. مرزهای کشف دارو (PubMed Central) - مرور (2024) - nih.gov

18. مجله اطلاعات و مدل‌سازی شیمیایی (انتشارات ACS) - مدل‌های انتشار در طراحی داروی de novo (2024) - acs.org

19. PubMed Central - REINVENT 4 (چارچوب باز) - nih.gov

20. PubMed Central - ADMETlab 2.0 (اهمیت ADMET اولیه) - nih.gov

21. OECD - اصول اعتبارسنجی برای اهداف نظارتی مدل‌های (Q)SAR - oecd.org

22. OECD - سند راهنمای اعتبارسنجی مدل‌های (Q)SAR - oecd.org

23. حساب‌های تحقیقات شیمیایی (انتشارات ACS) - برنامه‌ریزی سنتز به کمک کامپیوتر / CASP (کولی، ۲۰۱۸) - acs.org

24. ACS Central Science (انتشارات ACS) - رتروسنتز به کمک کامپیوتر (کولی، ۲۰۱۷) - acs.org

25. PubMed Central - AiZynthFinder (2020) - nih.gov

26. PubMed - لیپینسکی: قانون ۵ زمینه - nih.gov

27. مجله شیمی دارویی (انتشارات ACS) - Baell & Holloway (2010): PAINS - acs.org

28. PubMed - Waring (2015): فرسایش - nih.gov

29. PubMed - Rives (2021): مدل‌های زبان پروتئین - nih.gov

30. PubMed Central - لیک و همکاران (۲۰۱۰): اثرات دسته‌ای - nih.gov

31. PubMed Central - بررسی انتشار (2025) - nih.gov

32. FDA - E14 و S7B: ارزیابی بالینی و غیربالینی طولانی شدن فاصله QT/QTc و پتانسیل پیش آریتمی (پرسش و پاسخ) - fda.gov

33. آژانس دارویی اروپا - مروری بر دستورالعمل E14/S7B مربوط به ICH - europa.eu

34. USENIX - کارلینی و همکاران (2021): استخراج داده‌های آموزشی از مدل‌های زبانی - usenix.org

35. دانشگاه ادینبورگ - خدمات تحقیقات دیجیتال - منبع دفترچه یادداشت آزمایشگاه الکترونیکی (ELN) - ed.ac.uk

36. ScienceDirect (Elsevier) - Weaver (2008): دامنه کاربرد QSAR - sciencedirect.com