🧬مبحث: بیوتکنولوژی📝مقاله قبلی: فناوری چاپ سه بعدی زیستی و کاربردهای آن📝مقاله بعدی: بیوکازمتیک💻مدرسه تکمیلی: مدرسه مقدماتی و پیشرفته بیوتکنولوژی🖊شماره مقاله: 30 |
ما همه داستانهای کشفهای ناگهانی و تصادفی را دوست داریم اما واقعیت این است که اینها حاصل سالها تلاش ناموفق برای اهداف دیگر بوده اند. در واقعیت حجم بالایی از اطلاعات برای بررسی داریم که انرژی و زمان زیادی را میخواهند.
هوش مصنوعی توانسته صنایع مختلف، زندگی و تجربیات ما را بهبود ببخشد. بیوتکنولوژی دارویی هم استثنا نیست. استفاده از AI در صنایع بیوتک از علمی-تخیلی به واقعیتهای علمی تبدیل شده است.
در ادامه به این سوالات میپردازیم:
این دو رشته بزرگ چطور با هم همکاری میکنند؟
چه چالشهایی در علم و صنعت بیوتکنولوژی دارویی به کمک AI حل شدهاند؟
چه مثالهای واقعی از کاربرد AI در بیوتکنولوژی داریم؟
کجای توسعه دارو و زنجیره ارزش به هوش مصنوعی نیاز داریم؟
صنایع دارویی پر از اطلاعات سنگین هستند: از کاندیدهای دارویی و آزمایشات بالینی گرفته تا تحقیقات بازار و برنامهریزی زنجیره تامین.
اساساً، هوش مصنوعی در تمام زمینه های مراقبت های بهداشتی کاربردهای بالقوه ای دارد و می تواند در طول چرخه حیات داروها از زمان کشف و توسعه دارو تا زمان استفاده در عمل بالینی مورد استفاده قرار گیرد.
شکل زیر پتانسیلهای استفاده از هوش مصنوعی در توسعه دارو خلاصه میکند:
در واقع AI محدود به توسعه دارو نیست و تأثیرش در کل زنجیره ارزش بیوفارما، با تجمیع و ترکیب اطلاعات از داده ها احساس می شود.
در زیر نمونه هایی از کاربردهای احتمالی هوش مصنوعی در بخشهای مختلف زنجیره ارزش آورده شده است:
به طور کلی، شرکت های برجسته بیوتکنولوژی در حال سرمایه گذاری در ابزارهای پیشرفته هوش مصنوعی برای موارد زیر هستند:
- تجزیه و تحلیل داده های تحقیق
- افزایش سرعت تولید واکسن یا دارو
- طبقه بندی بازار هدف و جمعیت
- شناسایی ماده مناسب تولید واکسن یا دارو
بازار هوش مصنوعی در صنعت بیوفارما
براساس MarketsandMarkets ، انتظار می رود بازار هوش مصنوعی در صنعت بیوفارما از 198.3 میلیون دلار آمریکا در سال 2018 به 3.88 میلیارد دلار آمریکا در سال 2025 افزایش یابد.
چهار برنامه پیش بینی شده برای هدایت اکثر بازار هوش مصنوعی در بیوفارما بین سالهای 2018 و 2025 شامل: کشف دارو، precision medicine، تصویربرداری پزشکی و تشخیص و تحقیقات است.
کشف دارو بیشترین اندازه بازار را در طول دوره پیش بینی به خود اختصاص داده است و از 159.8 میلیون دلار به 2099.7 میلیون دلار آمریکا در سال 2025 افزایش مییابد.
بیشتریت نرخ رشد هم متعلق به precision medicine است که از 16.3 میلیون دلار در 2018 به 440.9 میلیون دلار در 2025 خواهد رسید.
کشف و طراحی دارو
از طراحی مولکول های جدید تا شناسایی اهداف بیولوژیکی جدید، AI در شناسایی و اعتبار سنجی دارو، اکتشافات دارویی بر اساس هدف و فنوتیپ نقش دارد.
هوش مصنوعی میتواند زمان لازم برای ورود یک دارو به بازار را کاهش دهد که خود هزینههای شرکت و به تبع قیمت دارو را کاهش میدهد. همچنین سرعت دادن به کشف و ورود داروها به بازار درمانهای جدیدی را پیش روی بیماران قرار میدهد.
Atomwise اولین شرکتی بود که نوع معمولی از یادگیری ماشین، convolutional neural networking (CNN) را برای طراحی و کشف دارو بکار برد. CNN در برنامه های روزمره آشنا مانند فناوری تشخیص گفتار الکسا یا ویژگی برچسب گذاری تصویر فیس بوک استفاده میشود.
پردازش دادههای پزشکی و بالینی
شاید توسعه یافته ترین استفاده از هوش مصنوعی تاکنون در الگوریتمهای طراحی شده برای خواندن، گروه بندی و تفسیر حجم زیادی از داده های متنی باشد. این میتواند برای محققان صنعت علوم زیستی، صرفه جویی بزرگی در وقت به همراه داشته باشد.
بسیاری از مطالعات بالینی هنوز هم به یادداشتهای کاغذی بیماران تکیه میکنند که بنویسند: چه داروهای دیگری را به طور همزمان مصرف میکنند و عکسالعمل بدنشان چیست؟
از یادداشت های دست نویس و نتایج آزمایش گرفته تا عوامل محیطی و اسکن های تصویربرداری ، توسط AI قابل جمع آوری و تفسیر است. با توجه به اینکه 80% آزمایشات بالینی از جدول زمانبندی عقب میافتند، این صرفهجویی در زمان بسیار با ارزش است.
شناسایی کاندیداهای کارآزمایی بالینی
قبل از اینکه شروع بع آزمایشات کنید باید کاندیداهای مناسب و کافی بیابید که وقتی متوجه چالش آن میشوید که با آمار 86% آزمایشاتی که نمیتوانند بیماران کافی جذب کنند، مواجه شوید.
هوش مصنوعی با استفاده از تجزیه و تحلیل پیشبینی پیشرفته میتواند اطلاعات ژنتیکی را برای شناسایی جمعیت مناسب بیمار برای آزمایش، تجزیه و تحلیل کند و اندازه نمونه بهینه را تعیین کند.
حرف از اطلاعات ژنتیکی شد، بد نیست صوفیا را هم بشناسید. SOPHiA نامی است که SOPHiA Genetics بر روی AI خود گذاشته است. صوفیا برای آنالیز ژنومیک دادههای توالییابی نسل بعد (NGS) استفاده میشود.
این دادهها از بیمارستانها و موسسات سراسر جهان تامین میشوند. صوفیا تا به الان بیشتر از 600000 ژنوم بیمار را آنالیز کرده و ماهانه هزاران ژنوم دیگر را هم تجزیه و تحلیل میکند. بیش از 1000 بیمارستان در حال حاضر با این مجموعه همکاری دارند:
بیماریهای نادر و داروهای شخصی
با ترکیب اطلاعات اسکن بدن ، بیولوژی بیمار و تجزیه و تحلیل ، AI به روش های مختلفی برای تشخیص بیماری هایی مانند سرطان و حتی پیش بینی مسائل بهداشتی که ممکن است افراد بر اساس ژنتیک با آنها روبرو شوند، مورد استفاده قرار می گیرد.
یک مثال IBM Watson است که از اطلاعات پزشکی و شرح حال هر بیمار برای پیشنهاد یک برنامه درمانی شخصی استفاده می کند.
واتسون می تواند مجموعه گسترده ای از دادهها ، از جمله مقالات علمی ، حق ثبت اختراع ، دادههای آزمایش بالینی، یادداشتهای آزمایشگاه الکترونیکی، گزارش های سم شناسی و سایر داده های اختصاصی را بخواند و درک کند.
البته IBM تنها شرکتی نیست که از فناوری هوش مصنوعی استفاده میکند و قدرت کشف بیولوژیکی را به دست می آورد. آنچه باعث برجسته شدن واتسون میشود موفقیتهای منتشر شده و همکاریهای معروف مثل فایزر و جانسون و جانسون است.
اعلام شده است که شرکت Pfizer Inc از واتسون برای تسریع تحقیقات ایمونوآنکولوژی، یک زمینه جدیدتر از آنکولوژی با فضای کافی برای رشد، استفاده میکند.
بهبود روند ساخت
در توسعه و تولید کارخانهها، هوش مصنوعی فرصتهای بی شماری برای بهبود فرایندها فراهم میکند.
هوش مصنوعی میتواند کارهای مختلفی از جمله کنترل کیفیت، کوتاه کردن زمان طراحی، کاهش اتلاف مواد، بهبود استفاده مجدد از تولید، انجام تعمیرات پیش بینی شده و موارد دیگر را انجام دهد.
به عنوان مثال، فرایندی که معمولاً به مداخله انسان برای ورود یا مدیریت دادههای فرآیند متکی است، می تواند با استفاده از کنترل عددی کامپیوتر انجام شود. الگوریتمهای یادگیری ماشین هوش مصنوعی نه تنها از انجام دقیق وظایف اطمینان حاصل میکنند، بلکه فرایند را برای یافتن مناطقی که میتوانند در آن ساده شوند، تجزیه و تحلیل میکنند.
اگر به این بخش علاقه دارید مقاله چگونه تحول دیجیتال به Amgen کمک کرد تا کنترل فرآیند در زمان واقعی را اجرا کند، برایتان جالب خواهد بود. |
بازاریابی
هوش مصنوعی همچنین بر جنبه های دیده نشده BioTech و داروسازی تأثیر می گذارد. مواردی مانند بازاریابی ، دستیار آزمایشگاه و کارهای اداری منابع قابل توجهی را به خود اختصاص می دهند.
بازاریابی کمک مستقیمی به موفقیت داروهای جدید میکند و هوش مصنوعی میتواند بینش بهتری در مورد این کمپین ها ارائه دهد.
مانند سایر بازاریابی های مبتنی بر هوش مصنوعی، کلان داده ها به شرکتها توانایی پیش بینی بهتر و فرصتی برای پردازش دادههای بدون ساختار برای ایجاد تصاویر سفر مشتری می دهند.
از آنجا که تلاشهای بازاریابی در طیف گستردهای از رسانه ها، از چاپ تا تبلیغات تا رسانه های اجتماعی گسترش یافته است، هوش مصنوعی میتواند دادهها را برای بینش عملی جستجو کند.
کارهای اداری و آنالیز دادهها
هوش مصنوعی همچنین می تواند در کارهای اداری مانند کارهای آزمایشگاهی کمک کند.
به عنوان مثال، برنامه های AI منبع باز مانند کتابخانه های CRISPR و H2O.ai با تسکین دستیار آزمایشگاه از وظایف تکراری مانند ورود داده ها و تجزیه و تحلیل، نقش اساسی در این قسمت دارند.
Desktop Genetics بستری ایجاد کرد که برای ساخت کتابخانههای CRISPR از طریق هوش مصنوعی طراحی شده است.
این سیستم حتی به کسانی که هیچ تجربهای در استفاده از CRISPR ندارند این امکان را میدهد تا روند کار را بدون به خطر انداختن یکپارچگی راهنماها تسریع کنند.
شرکتهای نوپا بر تسهیل تنگنای دادهها متمرکز شدهاند تا اطمینان حاصل کنند که تجزیه و تحلیل غنی از حجم دادههای مراقبتهای بهداشتی موجود، وجود دارد.
در آخرین برآورد ، دادههای از دست رفته هر ساله حدود 100 میلیارد دلار برای صنعت هزینه دارد. هوش مصنوعی میتواند این عدد را کاهش دهد.
در آخر
صنعت بیوتکنولوژی با استفاده از هوش مصنوعی و ابزارهای رایانه ای مرتبط پیشرفت چشمگیری داشته است.
باید یادآوری کنم که مثالها و کاربردهای گفته شده، تنها بخشی از پتانسیل استفاده از هوش مصنوعی در صنایع بیوتکنولوژی دارویی بود. همانطور که خودتان هم متوجه شدهاید، اقیانوس بزرگی از فرصتها در همکاری این دو رشته وجود دارد.
غیرقابل انکار است که هوش مصنوعی مهمترین چیز بعدی در صنعت داروسازی خواهد بود، و آن دسته از شرکتهایی که سازگار هستند و فرآیندهای جدید را اتخاذ میکنند، یک مزیت استراتژیک خواهند داشت.
0 نظر