بیوانفورماتیک: ترکیب زیست شناسی و هوش مصنوعی برای طراحی داروهای جدید در ماه ها به جای سال ها.

بیوانفورماتیک به عنوان حوزه ای میان رشته ای در تقاطع زیست شناسی، علوم کامپیوتر و هوش مصنوعی، در طول یک دهه اخیر انقلابی در فرایند کشف و توسعه دارو ایجاد کرده است. توسعه دارو به روش سنتی که معمولا ۱۰ تا ۱۵ سال به طول می انجامد و بین یک تا دو میلیارد دلار هزینه در بردارد، با چالش های قابل توجهی از جمله نرخ شکست بالا، زمان های طولانی، و سرمایه گذاری های مالی عظیم مواجه است؛ به گونه ای که تنها بخش کوچکی از مولکول های کاندیدا هرگز به بازار دارویی راه نمی یابند. ادغام هوش مصنوعی، به ویژه الگوریتم های یادگیری ماشین و یادگیری عمیق، با کاهش چشمگیر زمان و هزینه و افزایش دقت پیش بینی، این چشم انداز را دگرگون ساخته است. پژوهش حاضر به بررسی چگونگی کاربرد رویکردهای مبتنی بر هوش مصنوعی در بیوانفورماتیک برای تسریع طراحی دارو از سال ها به ماه ها می پردازد. روش پژوهش توصیفی-پیمایشی بوده و با استفاده از پرسشنامه ساختاریافته ای که میان ۴۸ نفر از خبرگان حوزه های داروسازی، بیوانفورماتیک و شیمی محاسباتی توزیع گردید، دیدگاه های آنان جمع آوری و تحلیل شد. آزمون کولموگروف-اسمیرنوف برای بررسی نرمال بودن توزیع داده ها و سپس آزمون تی تک نمونه ای برای سنجش میزان توافق خبرگان با گویه های کلیدی درباره تاثیر هوش مصنوعی بر کشف دارو به کار گرفته شد. نتایج نشان می دهد خبرگان به طور قوی با این گزاره ها موافق اند: ابزارهای بیوانفورماتیک مبتنی بر هوش مصنوعی به طور معناداری کشف دارو را تسریع می کنند (میانگین=۴/۶۲، انحراف معیار=۰/۵۱، t=۲۷.۶، p<۰.۰۰۱)، هزینه های تحقیق و توسعه را کاهش می دهند (میانگین=۴/۴۵، انحراف معیار=۰/۶۲، t=۲۲.۱، p<۰.۰۰۱)، دقت پیش بینی رفتار مولکولی را بهبود می بخشند (میانگین=۴/۳۸، انحراف معیار=۰/۶۸، t=۲۰.۴، p<۰.۰۰۱)، پیش بینی ساختار پروتئین ها را تسهیل می کنند (میانگین=۴/۵۵، انحراف معیار=۰/۵۹، t=۲۴.۸، p<۰.۰۰۱)، و پارادایم تحقیقات دارویی را متحول می سازند (میانگین=۴/۴۱، انحراف معیار=۰/۶۶، t=۲۱.۶، p<۰.۰۰۱). این مطالعه نتیجه می گیرد که ادغام هوش مصنوعی در بیوانفورماتیک، تحولی پارادایمی در تحقیقات دارویی محسوب می شود که قادر است جدول زمانی سنتی کشف دارو را از سال ها به ماه ها کاهش دهد، هرچند تخصص انسانی، اعتبارسنجی تجربی، و ملاحظات اخلاقی همچنان اجزای ضروری و غیرقابل جایگزین این فرایند باقی می مانند.

کلیدواژه ها:

واژگان کلیدی: بیوانفورماتیک ، هوش مصنوعی ، طراحی دارو ، یادگیری ماشین ، یادگیری عمیق ، آلفافولد ، داکینگ مولکولی ، تحقیقات دارویی ، زیست شناسی محاسباتی