کاربرد هوش مصنوعی در هدف گیری پروتئین های غیر قابل درمان از طراحی مبتنی بر AT تا اعتبارسنجی تجربی مهارکننده های KRAS

فرایند کشف دارو به ویژه در حوزه سرطان معمولا پرهزینه، زمان بر و همراه با نرخ شکست بالا می باشد. در میان اهداف درمانی، پروتئین های غیر قابل درمان مانند KRAS از چالش برانگیزترین موارد به شمار می روند. این مقاله با هدف بررسی کاربردهای هوش مصنوعی و دستاوردهای تجربی آن در طراحی داروهای ضد سرطان تدوین شده است. در این راستا، جست وجوی منابع با استفاده از کلیدواژه هایی مانند هوش مصنوعی، یادگیری ماشین، مدل های مولد و اهداف درمانی سرطان در پایگاه های اطلاعاتی Scopus، PubMed و Google Scholar انجام شد. از میان نتایج مقالات پژوهشی اصیل دارای اعتبارسنجی آزمایشگاهی یا حیوانی همراه با مرورهای کلیدی، برای تحلیل انتخاب شدند. بررسی مطالعات منتخب نشان داد که هوش مصنوعی در تمام مراحل کشف دارو، از بازکاربری داروها تا طراحی مولکول های جدید نقش موثری ایفا کرده است. از مهمترین نمونه ها می توان به شناسایی یک داروی ضدویروس به عنوان مهارکننده موثر STK۳۳، طراحی مولکول های جدید با قدرت مهاری نانومولار توسط مدل های مولد و توسعه ترکیبات فعال کننده آپوپتوز علیه چند هدف غیر قابل درمان اشاره کرد. با وجود این، چالش هایی مانند کمبود داده، سوگیری آموزشی، تفسیرناپذیری مدل ها و موانع بیوفارماسیوتیکی همچنان مانع از تبدیل کامل موفقیت های محاسباتی به دستاوردهای بالینی می شوند. در مجموع، هوش مصنوعی با ایجاد یک تغییر بنیادین در فرایند کشف دارو، مسیر گذار از طراحی محاسباتی به اثبات تجربی را هموار کرده است. با این حال، تحقق کامل ظرفیت های آن نیازمند غلبه بر موانع داده ای، الگوریتمی و زیستی است و مسیرهای نوظهوری مانند هوش مصنوعی عامل و دوقلوهای دیجیتال آینده این حوزه را به سمت پزشکی شخصی سازی شده سوق می دهند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، کشف دارو ، سرطان ، KRAS ، مدل های مولد