→ العودة إلى الصفحة الرئيسية

إلى أين وصل الذكاء الاصطناعي في تطوير الأدوية؟ مراجعة لـ57 دراسة تكشف الفجوة بين أداء النماذج والفعالية العلاجية

وجدت مراجعة منهجية لأبحاث تطوير الأدوية بعد الجائحة أن تطبيقات الذكاء الاصطناعي لا تزال تتركز على فحص الجزيئات والتصميم المبكر. ورغم النتائج العديدة في مقاييس التنبؤ، لا تزال الأدلة غير كافية للتحقق من قدرتها على تقصير مدة التطوير وتحسين أوضاع المرضى.

By SURL BioNews

يُعد اختيار جزيئات تستحق الاختبار التجريبي من مكتبات ضخمة من المركبات إحدى أكثر نقاط البداية استنزافًا للجهد في تطوير الأدوية. ويساعد الذكاء الاصطناعي الباحثين على تضييق نطاق البحث، لكن ما المسافة التي تفصل دقة الاختيار الحاسوبي عن قدرة دواء على علاج المرض بأمان وفعالية؟ جمعت مراجعة منهجية جديدة 57 دراسة، وأشارت إلى أن الأدلة الحالية تدعم أساسًا القيمة المساعدة للذكاء الاصطناعي في مرحلة الاكتشاف المبكر، ولم تثبت بعد تحسنًا في الفعالية السريرية أو النتائج الصحية للمرضى.

نُشرت هذه الدراسة في 30 أكتوبر في مجلة «Frontiers in Artificial Intelligence»، وأعدّها بالاشتراك Xin Yi Chang وClarence Teo وCheong Hian Goh. عثر الفريق على 593 سجلًا في PubMed وScopus، واختار منها 57 دراسة نُشرت بين عامَي 2023 و2025. وشمل البحث كلمات مفتاحية مرتبطة بـCOVID-19، لذا تعكس النتائج صورة الأبحاث ضمن نطاق بحث محدد، ولا يمكن اعتبارها مباشرةً صورة شاملة لاعتماد الذكاء الاصطناعي في قطاع الأدوية بأكمله.

في هذه المجموعة من الأدبيات، شكّل اكتشاف الأدوية وتصميمها 54.4% من مجالات البحث، وكان التعلم العميق الفئة التقنية الأكثر شيوعًا بنسبة 35.1%. وشملت المهام المحددة التنبؤ بارتباط الجزيئات بالبروتينات، وفحص المركبات التي قد تمتلك نشاطًا، واستكشاف استخدامات جديدة لأدوية موجودة. وتمحور عدد من الدراسات حول أهداف مرتبطة بفيروسات كورونا، بحيث ترتّب النماذج الجزيئات المرشحة أولًا، ثم تخضع للاختبار في تجارب لاحقة.

وما يوضح الوضع الراهن أكثر من عدد التطبيقات هو كيفية قياس الباحثين للنتائج. سجّلت المراجعة 152 مرة ذُكرت فيها مقاييس تقييم، وكان 80.9% منها مقاييس لأداء نماذج الذكاء الاصطناعي أو التعلم الآلي، مثل دقة التصنيف وخطأ التنبؤ. ومقام هذه النسبة هو عدد مرات ذكر المقاييس، وليس الدراسات الـ57؛ إذ يمكن للورقة الواحدة استخدام مقاييس متعددة. وأكدت أيضًا تغطيتا Bioengineer.org وScienmag للموضوع نفسه هذا الأساس الإحصائي.

تساعد هذه الدرجات على مقارنة النماذج، لكنها لا تكفي للإجابة عما سيحدث بعد دخول الأدوية المرشحة إلى جسم الإنسان. وأشار المؤلفون إلى أن معظم الدراسات المشمولة صُنّفت على أنها ذات مخاطر تحيز مرتفعة، وتفتقر إلى التحقق الخارجي، وأن نتائجها أنسب لصياغة فرضيات تحتاج إلى الاختبار. وتحتاج قدرة النماذج على الحفاظ على أدائها مع بيانات لم تتعرض لها أثناء التطوير، وإمكان تحويل المزايا الحاسوبية إلى مدة تطوير أقصر أو تكاليف أقل أو فعالية علاجية أفضل، إلى تحقق خارجي ودراسات استباقية.

السياق

تبدأ سلسلة الأدلة في تطوير الأدوية بالذكاء الاصطناعي من البيانات، وتمتد إلى التجارب والبشر. وتذكر هذه المراجعة أن بعض النماذج دُرّبت وخضعت للتحقق باستخدام بيانات مركبات من قواعد بيانات مثل PubChem وBindingDB؛ وتظل موثوقية البيانات وقدرة التنبؤات على تجاوز نطاق البيانات الأصلية سؤالين لا بد من طرحهما عند فهم النتائج. ويوصي المؤلفون بأن يُدرج مستقبلًا مزيد من البيانات عن حركية الأدوية وتأثيراتها داخل الجسم، لجعل تقييم النماذج أقرب إلى ظروف الاستخدام الفعلي للأدوية.

وللمراجعة نفسها حدود أيضًا: فقد اقتصر البحث على قاعدتَي بيانات، وشمل أدبيات ثلاث سنوات، ولم يُسجَّل بروتوكول المراجعة مسبقًا؛ كما أن النتائج الإيجابية أسهل نشرًا، ما قد يضخّم الانطباع عن فوائد التقنية. ويتمثل التقدم الذي تقدمه في إعادة وضع نتائج تطوير الأدوية بالذكاء الاصطناعي ضمن إطار قابل للاختبار: فقد أتاح فحص الجزيئات بالفعل مؤشرات يمكن الاستفادة منها، أما مقدار الفائدة التي قد تحققها هذه المؤشرات للمرضى، فلا يزال يتطلب جمع الأدلة تدريجيًا عبر مراحل تطوير الأدوية.

References

  1. Bioengineer.org
  2. Frontiers in Artificial Intelligence
  3. Scienmag