دکتر زینب فخار: آینده کشف دارو، هوش مصنوعی محور است
میز خبری معاونت پژوهش و فناوری دانشگاه تهران:
فناوری‌های نوین داده‌محور و یادگیری عمیق در حال دگرگون ساختن مرزهای سنتی کشف دارو هستند. دکتر زینب فخار، متخصص طراحی و کشف دارو از دانشگاه UKZN آفریقای جنوبی و پژوهشگر پسادکتری طرح Connect در مرکز IBB، با تکیه بر سال‌ها تجربه در مدل‌سازی‌های مولکولی، طراحی داروهای ضدسرطان و ضدویروس و همکاری با مراکز پژوهشی تراز اول بین‌المللی، در این مصاحبه از چشم‌انداز پیوند هوش مصنوعی با شیمی دارویی و راهکارهای ارتقای جایگاه دانشگاه‌های ایران در این حوزه سخن می‌گوید.
هوش مصنوعی و روش‌های یادگیری ماشین چه تحولاتی در فرایند کشف و طراحی دارو ایجاد کرده‌اند و این فناوری‌ها چگونه می‌توانند زمان و هزینه توسعه داروهای جدید را کاهش دهند؟
هوش مصنوعی و روش‌های یادگیری ماشین می‌توانند تحول اساسی در کشف و طراحی دارو ایجاد کنند، زیرا توسعه یک داروی جدید فرایندی طولانی، پرهزینه و با نرخ شکست بالا است. مسیر توسعه دارو از کشف تا تأیید نهایی معمولاً حدود ۱۰ تا ۱۵ سال یا بیشتر زمان می‌برد و شامل حدود ۳ تا ۶ سال کشف و بهینه‌سازی لید، ۲ تا ۳ سال مطالعات پیش‌بالینی و ۶ تا ۸ سال کارآزمایی‌های بالینی فازهای I تا III و سپس بررسی‌های رگولاتوری است. از میان تعداد بسیار زیادی ترکیبات اولیه، تنها تعداد محدودی وارد مطالعات پیش‌بالینی و بالینی می‌شوند و در نهایت ممکن است تنها یک ترکیب با موفقیت تمام مراحل را طی کند. بنابراین، یکی از مهم‌ترین ظرفیت‌های هوش مصنوعی، کاهش فضای جست‌وجوی مولکولی و افزایش احتمال انتخاب کاندیداهای موفق در مراحل اولیه است.
یادگیری ماشین، یادگیری عمیق و Generative AI می‌توانند با تحلیل داده‌های عظیم شیمیایی، زیستی و ساختاری، در شناسایی و اعتبارسنجی اهداف دارویی، virtual screening، پیش‌بینی فعالیت و انتخاب‌پذیری، QSAR، پیش‌بینی ADMET و سمیت و طراحی مولکول‌های جدید مورد استفاده قرار گیرند. به این ترتیب، به جای سنتز و ارزیابی تجربی تعداد بسیار زیادی ترکیب، ابتدا می‌توان مولکول‌ها را به‌صورت محاسباتی غربال و اولویت‌بندی کرد و منابع آزمایشگاهی و مالی را بر گزینه‌های امیدوارکننده‌تر متمرکز نمود. برخی برنامه‌های AI-driven نیز توانسته‌اند زمان رسیدن از آغاز پروژه تا انتخاب کاندیدای پیش‌بالینی را به حدود ۱۲ تا ۱۸ ماه کاهش دهند؛ هرچند AI جایگزین مطالعات آزمایشگاهی، پیش‌بالینی یا کارآزمایی بالینی نخواهد بود. در واقع، آینده این حوزه را در ایجاد یک closed-loop drug discovery می‌دانم که در آن طراحی محاسباتی، پیش‌بینی، سنتز، آزمایش تجربی، دریافت داده و بهینه‌سازی به‌صورت یک چرخه مستمر یکدیگر را تقویت می‌کنند.
شما در زمینه‌های مختلفی از جمله کشف داروهای ضدویروسی، داروهای مرتبط با سرطان و سل فعالیت داشته‌اید. مهم‌ترین تجربه‌ها یا دستاوردهای پژوهشی شما در این حوزه‌ها چه بوده است؟
تخصص اصلی من در کشف و طراحی محاسباتی دارو و شیمی دارویی محاسباتی است و از روش‌هایی نظیر Structure- and Ligand-Based Drug Design ،QM/MM Molecular Dynamics ،Pharmacophore Modeling ،Virtual Screening ،Quantum-Mechanical Calculations و ADMET Prediction استفاده کرده‌ام. در سال‌های اخیر این مسیر را به سمت AI-driven drug discovery ،Cheminformatics و Machine Learning-based QSAR توسعه داده‌ام.
در حوزه سل، بر اهداف مولکولی Mycobacterium tuberculosis و شناسایی ترکیبات بالقوه ضدسل تمرکز داشته‌ام. در حوزه سرطان، در دوره پسادکتری در University of the Witwatersrand، مکانیسم عملکرد ترکیبات طلا(III) و برهم‌کنش آن‌ها با DNA-bound human topoisomerase II را با استفاده از مدل‌سازی مولکولی بررسی کردم. در حوزه بیماری‌های ویروسی نیز بر SARS-CoV-2 Main Protease تمرکز داشته و در مطالعاتی، ترکیباتی مانند ABBV-744 و مشتقات anthocyanin را به‌عنوان مهارکننده‌های بالقوه Mpro با استفاده از روش‌های structure-based drug discovery، molecular dynamics simulations بررسی کرده‌ام.
حاصل فعالیت‌های پژوهشی من تاکنون 17 مقاله بین‌المللی، 457 استناد، h-index برابر 11 و i10-index برابر 13بوده و حوزه‌های AI and Computational Drug Discovery ،Antiviral Drug Discovery، Oncology Drug Discovery و Tuberculosis Drug Discovery را پوشش می‌دهد. این فعالیت‌ها با همکاری پژوهشگران و دانشگاه‌هایی از جمله:
University of KwaZulu-Natal (South Africa), University of the Witwatersrand (South Africa), University of Leeds (UK), University of Campania (Italy), University of Houston (USA), University of California, San Diego (USA), and Johns Hopkins University (USA)
و نیز دانشگاه‌های تهران، علوم پزشکی شهید بهشتی و صنعتی شریف انجام شده‌اند.
با توجه به توسعه سریع هوش مصنوعی در حوزه سلامت و داروسازی، آینده طراحی و کشف دارو را چگونه ارزیابی می‌کنید و به نظر شما دانشگاه‌ها و پژوهشگران ایرانی برای حضور مؤثر در این عرصه باید بر چه ظرفیت‌ها و اولویت‌هایی تمرکز کنند؟
به اعتقاد من، آینده کشف دارو به سمت AI-native drug discovery حرکت می‌کند؛ اما موفقیت این تحول به تلفیق AI با شیمی دارویی، زیست‌شناسی، pharmacology و آزمایش‌های تجربی وابسته است. در کشور ما، اولویت باید ایجاد دیتاست‌های استاندارد و باکیفیت، زیرساخت‌های محاسباتی، کلاسترها و ابرکامپیوترهای پیشرفته، توسعه مدل‌های قابل‌تفسیر و قابل‌اعتبارسنجی، ابزارهای open-source و تربیت دانشجویان و پژوهشگران بین‌رشته‌ای باشد. با تمرکز بر مسائل دارای مزیت علمی و درمانی و ایجاد همکاری ملی و بین المللی میان گروه‌های AI ،Medicinal Chemistry ،Computational Biology و آزمایشگاه‌های تجربی، دانشگاه‌های داخل کشور می‌توانند از مصرف‌کننده فناوری AI به تولیدکننده دانش و فناوری در AI-driven drug discovery تبدیل شوند.
شناسایی ویژگی‌های ساختاری کلیدی برای طراحی آگونیست‌های جدید گیرنده دلتا-اوپیوئید (DOR) با استفاده از یادگیری ماشین و داکینگ مولکولی
شرکت پارس مدیکیو و بنیاد فرهنگی مصلی نژاد، حامی میز خبری معاونت پژوهش و فناوری دانشگاه تهران
نظر شما :