الذكاء الاصطناعي في اكتشاف الأدوية يواجه تحديات جودة البيانات والتحيز

التكلفة العالية والجداول الزمنية الطويلة لتطوير الأدوية تدفع شركات الأدوية إلى اعتماد الذكاء الاصطناعي لتحسين معدلات النجاح وتقليل المخاطر. يُستخدم الذكاء الاصطناعي لتصميم مرشحات دوائية من الصفر والتنبؤ بتفاعلاتها مع أهداف الأمراض، ليحل محل الفحص الفيزيائي التقليدي للمكتبات الجزيئية الضخمة. هذا التحول يسمح للشركات بتحديد المركبات الواعدة بشكل أسرع والتخلص من المرشحات منخفضة الجودة قبل الاختبار المختبري، مما يوفر الوقت والموارد.

ومع ذلك، لا تزال المرشحات المولدة بالذكاء الاصطناعي بحاجة إلى التحقق المختبري لأن النماذج الحالية لا تستطيع التنبؤ بشكل موثوق بالحركية أو قابلية التطوير. وقد زاد هذا من الضغط على الفرق المختبرية، التي يجب عليها اختبار وتوصيف حجم متزايد من المركبات المتنوعة المولدة بالذكاء الاصطناعي. تواجه سير العمل التقليدية للفحص، المصممة لنتائج ثنائية (نعم/لا)، صعوبة في توفير البيانات التفصيلية اللازمة لهذه المرشحات المعقدة.

التحدي الرئيسي هو جودة واكتمال بيانات التدريب. تعتمد العديد من نماذج الذكاء الاصطناعي على مجموعات بيانات عامة تفتقر إلى الهيكلة والتصنيف والتنوع، مما يؤدي إلى "جدار بيانات" حيث تصل النماذج إلى استنتاجات متشابهة مع عوائد متناقصة. يزيد تحيز النشر من هذه المشكلة، حيث تركز معظم البيانات العامة على النتائج الإيجابية، بينما تظل البيانات السلبية - التجارب الفاشلة والمركبات غير المرتبطة - غير منشورة. يلاحظ بول بيلشر، مدير استراتيجية أبحاث البروتين في Cytiva، أن هذا التحيز يحد من قدرة النماذج على التعلم من حالات الفشل وإجراء تنبؤات موثوقة.

سلامة البيانات هي مصدر قلق آخر. أصبح تزوير الصور، مثل لطخات ويسترن، أسهل باستخدام الذكاء الاصطناعي التوليدي. وجدت أبحاث عالمة الأحياء الدقيقة إليزابيث بيك أن ما يقرب من 4% من الأوراق الطبية الحيوية تحتوي على صور مكررة أو معدلة حتى عام 2016. يحذر بيلشر من أن البيانات المزورة المستخدمة لتدريب الذكاء الاصطناعي قد تؤدي إلى عواقب وخيمة. يقوم بعض البائعين بتطوير أدوات للتحقق من صحة البيانات، مثل مدقق سلامة الصور من Cytiva، الذي يستخدم خوارزميات التجزئة الآمنة لكشف التلاعب. تظهر دور النشر اهتمامًا بتبني مثل هذه الأدوات كممارسة قياسية.

بالنظر إلى المستقبل، يجب على الصناعة معالجة تحديات البيانات هذه لتحقيق الإمكانات الكاملة للذكاء الاصطناعي في اكتشاف الأدوية. يشمل ذلك إنشاء مجموعات بيانات أكثر شمولاً تتضمن النتائج السلبية، وتحسين تصنيف البيانات وهيكلتها، وتنفيذ أدوات التحقق لضمان سلامة البيانات. بدون هذه الخطوات، تخاطر نماذج الذكاء الاصطناعي بإدامة التحيزات وإنتاج تنبؤات غير موثوقة، مما يقوض وعدها بتسريع تطوير الأدوية.