التعلم الآلي في تطوير الأدوية: دليل 2026

ملخص سريع: يُحدث التعلّم الآلي ثورةً في تطوير الأدوية من خلال تسريع تحديد الأهداف، وفحص المركبات، وتصميم التجارب السريرية. تُساهم هذه التقنية في خفض معدل نجاح الصناعة البالغ 6.21 ضعفًا من المرحلة الأولى إلى الموافقة، وخفض متوسط تكاليف التطوير البالغة 2.8 مليار دولار أمريكي، وذلك عبر النمذجة التنبؤية، وتحسين التصميم الجزيئي، وتصنيف المرضى. بدءًا من أُطر الذكاء الاصطناعي المُوجّهة من قِبل إدارة الغذاء والدواء الأمريكية، وصولًا إلى تطبيقات التعلّم العميق في التنبؤ بالسمية، أصبحت أدوات التعلّم الآلي مُدمجةً الآن في جميع مراحل التجارب ما قبل السريرية والسريرية.

يُعدّ طرح دواء جديد في السوق عملية مكلفة وبطيئة، وغالبًا ما تنتهي بالفشل. يواجه قطاع صناعة الأدوية حقيقةً قاسية: 6.21 مليار فقط من الأدوية المرشحة التي تدخل المرحلة الأولى من التجارب السريرية تحصل في نهاية المطاف على الموافقة. ومع وصول متوسط تكاليف التطوير إلى 1.4 مليار دولار، وامتداد الجداول الزمنية لأكثر من عقد، فإنّ الضغط على الابتكار لم يكن يومًا بهذا القدر.

يُقدّم التعلّم الآلي طريقاً للمضي قدماً. فمن خلال تحليل مجموعات البيانات الضخمة، والتنبؤ بالسلوك الجزيئي، وتحديد الأنماط التي قد يغفل عنها البشر، تُعيد خوارزميات التعلّم الآلي تشكيل كيفية اكتشاف الأدوية واختبارها وإيصالها إلى المرضى.

إليكم ما ينجح بالفعل في الوقت الحالي.

أزمة تطوير الأدوية التي تتصدى لها شركة ML

يتبع تطوير الأدوية التقليدي مسارًا خطيًا يستغرق وقتًا طويلاً. يحدد الباحثون هدفًا بيولوجيًا، ويفحصون آلاف المركبات، ويجرون اختبارات ما قبل السريرية على الحيوانات، ثم ينتقلون بالمرشحين الواعدين إلى التجارب السريرية على البشر عبر ثلاث مراحل. وفي كل مرحلة، يفشل معظم المرشحين.

تُظهر الأرقام صورةً قاتمة. فبين عامي 1998 و2008، أظهرت التجارب السريرية في المرحلتين الثانية والثالثة معدل فشل بلغ 541 دواءً. وتشير بيانات أحدث إلى أنه حتى من بين الأدوية المرشحة التي تصل إلى المرحلة الثانية، لا يحصل على الموافقة في نهاية المطاف سوى 251 دواءً. أما بالنسبة لمشاريع المرحلة الثالثة، فيرتفع هذا العدد إلى 621 دواءً، لكن يبقى أكثر من ثلثها يفشل بعد سنوات من الاستثمار.

لماذا ترتفع نسبة الفشل؟ يُعزى 571% من حالات فشل الأدوية المرشحة إلى انعدام الفعالية، بينما تُعزى 171% منها إلى مخاوف تتعلق بالسلامة. ويواجه النهج التقليدي صعوبة في التنبؤ بكيفية استجابة الأنظمة البيولوجية المعقدة للجزيئات الجديدة.

تعالج تقنيات التعلم الآلي هذه المشكلات بشكل مباشر. فبدلاً من الاعتماد فقط على التجارب المختبرية والحدس السريري، تتعلم نماذج التعلم الآلي من البيانات التاريخية، والتركيبات الجزيئية، والمعلومات الجينية، والنتائج السريرية لتقديم تنبؤات قبل بدء التجارب المكلفة.

إطار عمل الذكاء الاصطناعي لتطوير الأدوية التابع لإدارة الغذاء والدواء الأمريكية

تُعدّ التوجيهات التنظيمية بالغة الأهمية. فقد أصدرت إدارة الغذاء والدواء الأمريكية ورقة نقاشية بعنوان "استخدام الذكاء الاصطناعي والتعلم الآلي في تطوير الأدوية والمنتجات البيولوجية" في مايو 2023، وواصلت إصدار وثائق إطارية وتوجيهات محددة طوال عامي 2023 و2024. وبحلول يناير 2025، كان القطاع يعمل بالفعل وفقًا لأطر عمل أساسية راسخة للذكاء الاصطناعي والتعلم الآلي، والتي وفرتها الإدارة. ووفقًا لإدارة الغذاء والدواء، يُشير الذكاء الاصطناعي إلى نظام آلي قادر على التنبؤات والتوصيات واتخاذ القرارات التي تؤثر على البيئات الحقيقية أو الافتراضية، استنادًا إلى أهداف يحددها الإنسان. وتستشعر هذه الأنظمة البيئات من خلال مدخلات آلية وبشرية، وتُحوّل هذه الإدراكات إلى نماذج، وتستخدم استنتاجات هذه النماذج لصياغة الخيارات.

تعاونت إدارة الغذاء والدواء الأمريكية مع وكالة الأدوية الأوروبية لوضع عشرة مبادئ توجيهية لاستخدام الذكاء الاصطناعي في تطوير الأدوية. تتناول هذه المبادئ الشفافية، وقابلية التكرار، وجودة البيانات، والتحقق من صحتها، وهي أمور بالغة الأهمية عندما تؤثر الخوارزميات على القرارات المتعلقة بسلامة المرضى.

يؤدي وضوح اللوائح التنظيمية إلى تسريع عملية التبني. تمتلك شركات الأدوية الآن أطر عمل لتوثيق تطوير نماذج الذكاء الاصطناعي، والتحقق من صحة التنبؤات، وإثبات الموثوقية أمام الجهات التنظيمية.

تحديد الهدف والتحقق منه

يبدأ تطوير الأدوية بتحديد هدف بيولوجي، عادةً ما يكون بروتينًا أو جينًا يساهم نشاطه في المرض. تقوم خوارزميات التعلم الآلي بتحليل البيانات الجينومية، وتفاعلات البروتين-بروتين، ومسارات المرض لاقتراح أهداف واعدة.

يستخدم أحد الأساليب التعلم العميق للتنبؤ بتفاعلات البروتين-بروتين (PPIs). وقد حقق بحثٌ باستخدام 34100 تفاعل بروتين-بروتين مُثبت من مجموعات بيانات Saccharomyces cerevisiae دقةً مذهلة: فقد أظهر أسلوب Deep Interact دقةً بلغت 98.31%، وحساسيةً بلغت 86.85%، وخصوصيةً بلغت 98.51% في التنبؤ بتفاعلات البروتين-بروتين.

يُعدّ هذا المستوى من الدقة بالغ الأهمية، لأنّ التنبؤات الخاطئة تُهدر سنوات من العمل اللاحق. فإذا اقترحت خوارزمية ما بروتينًا بشكل خاطئ كهدف دوائي، فإنّ الفرق تستثمر مواردها في تطوير جزيئات لم تكن لتنجح أبدًا.

يُساعد التعلّم الآلي أيضاً في تحديد المؤشرات الحيوية للأمراض. وقد حققت نماذج شجرة التصنيف التي تحلل أنماط التعبير الجيني دقة بلغت 88.9% في التنبؤ بملامح كفاءة المؤشرات الحيوية، بينما وصلت نماذج الغابة العشوائية إلى دقة بلغت 83.3% في تحليل استجابة العلاج الدوائي.

التصميم الجزيئي والفحص الافتراضي

بمجرد التحقق من صحة الهدف، يحتاج الباحثون إلى جزيئات تتفاعل معه بفعالية. تعتمد الأساليب التقليدية على فحص مكتبات المركبات الفيزيائية، واختبار آلاف الجزيئات في فحوصات مخبرية. هذه الطريقة بطيئة ومكلفة.

تستخدم تقنية الفحص الافتراضي التعلم الآلي للتنبؤ بالجزيئات التي سترتبط بالهدف قبل بدء أي عمل مخبري. تحلل الشبكات العصبية الالتفافية البنى الجزيئية، متنبئةً بقوة الارتباط والنشاط البيولوجي. وقد حققت الشبكات العصبية المتكررة مع التعلم المعزز دقة بلغت 95% في وظائف التقييم الجزيئي.

يُجسّد برنامج DeepTox هذا النهج. فقد تنبأ النظام بسمية 12000 دواء، مما ساعد الباحثين على تحديد المخاوف المتعلقة بالسلامة مبكراً. إن اكتشاف مشكلات السمية قبل الاختبارات ما قبل السريرية يوفر موارد هائلة ويمنع وصول المركبات غير الآمنة إلى التجارب السريرية على البشر.

تقوم النماذج التوليدية الآن بتصميم جزيئات جديدة من الصفر. تتعلم هذه الخوارزميات خصائص الأدوية الناجحة، ثم تولد هياكل جزيئية جديدة مُحسَّنة لخصائص محددة - الفعالية، والانتقائية، والحركية الدوائية المواتية.

التنبؤ قبل السريري بخصائص ADMET

يشير مصطلح ADMET إلى الامتصاص والتوزيع والتمثيل الغذائي والإخراج وعلم السموم. إن فهم كيفية معالجة جسم الإنسان للدواء المرشح يحدد ما إذا كان سيصبح دواءً فعالاً. وتؤدي خصائص ADMET الضعيفة إلى فشل العديد من المركبات الواعدة.

تتنبأ نماذج التعلم الآلي المدربة على بيانات حركية دوائية تاريخية بخصائص الامتصاص والتوزيع والاستقلاب والإخراج والسمية قبل إجراء التجارب على الحيوانات. وتساعد هذه التنبؤات الكيميائيين الطبيين في تحسين البنى الجزيئية لتعزيز الخصائص الدوائية.

إن الأثر ملموس. فمع فشل 90% من الجزيئات العلاجية في المرحلة الثانية من التجارب السريرية والحصول على الموافقات التنظيمية، يساعد التنبؤ بخصائص ADMET على استبعاد المرشحين غير المناسبين مبكرًا. ويعني تحسين عملية الترشيح قبل السريري أن المركبات التي تتقدم إلى التجارب السريرية المكلفة تتمتع باحتمالية نجاح أعلى.

لكن الأمر المهم هو أن جودة البيانات تحدد أداء النموذج. ويشير خبراء التعلم الآلي إلى أن 801 تريليون روبية من جهودهم تُبذل في معالجة البيانات وتنظيفها. فالبيانات الرديئة تؤدي إلى تنبؤات غير موثوقة، ولهذا السبب تستثمر شركات الأدوية بكثافة في جمع مجموعات بيانات عالية الجودة.

تحسين التجارب السريرية

تُمثل التجارب السريرية المرحلة الأكثر تكلفة في تطوير الأدوية، وهي أيضاً المرحلة التي يفشل فيها العديد من المرشحين رغم إظهارهم نتائج واعدة في المراحل السابقة. يُساعد التعلّم الآلي في تصميم تجارب أفضل وتحديد المرضى الأكثر ترجيحاً للاستفادة منها.

يستخدم تصنيف المرضى تقنيات التعلم الآلي لتحليل السمات الجينية والمؤشرات الحيوية والتاريخ السريري. وبدلاً من معاملة جميع المرضى على أنهم متطابقون، تحدد الخوارزميات مجموعات فرعية تستجيب بشكل مختلف للعلاج. هذا النهج الدقيق يزيد من معدلات نجاح التجارب السريرية ويمهد الطريق للطب الشخصي.

تتضمن تصميمات التجارب التكيفية استخدام التعلم الآلي لتعديل البروتوكولات بناءً على البيانات المتراكمة. فإذا أشارت النتائج الأولية إلى عدم فعالية جرعة معينة أو إلى استفادة مجموعة فرعية من المرضى بشكل خاص، توصي الخوارزمية بتعديلات على البروتوكول دون الحاجة إلى بدء تجربة جديدة من الصفر.

يتزايد دمج الأدلة الواقعية. تقوم نماذج التعلم الآلي بتحليل السجلات الصحية الإلكترونية، ومطالبات التأمين، وسجلات المرضى لتكملة بيانات التجارب السريرية التقليدية. تساعد قاعدة الأدلة الأوسع هذه الجهات التنظيمية والأطباء على فهم كيفية أداء الأدوية في مجموعات سكانية متنوعة وواقعية.

مشاريع تطوير الأدوية الهيكلية باستخدام التعلم الآلي والذكاء الاصطناعي المتفوق 

تُستخدم تقنيات التعلم الآلي لتحليل مجموعات البيانات المعقدة ودعم عملية اتخاذ القرارات طوال مراحل تطوير الأدوية. متفوقة الذكاء الاصطناعي تقدم خدمات استشارية في مجال الذكاء الاصطناعي وتطوير برامج مخصصة للمؤسسات التي تقوم ببناء أنظمة التعلم الآلي والتطبيقات القائمة على البيانات.

هل تبحث عن مساعدة تقنية في مجال الذكاء الاصطناعي لتطوير الأدوية؟

بإمكان شركة AI Superior دعم مشروعك من خلال:

• تصميم وتطوير حلول التعلم الآلي المخصصة
• التحليل والنمذجة القائمة على البيانات
• استشارات الذكاء الاصطناعي وتطوير المنتج الأدنى قابلية للتطبيق

👉تحدث إلى الذكاء الاصطناعي المتفوق لمناقشة مشروعك الخاص بتطوير الأدوية باستخدام التعلم الآلي.

القيود والتحديات الحالية

لا يُعدّ التعلّم الآلي حلاً سحرياً. فالتكنولوجيا تواجه قيوداً حقيقية يتعين على شركات الأدوية التغلب عليها.

لا يزال توفر البيانات يمثل عائقًا رئيسيًا. تحتاج خوارزميات التعلم الآلي إلى مجموعات بيانات ضخمة وعالية الجودة لتتعلم بفعالية. تعني قواعد البيانات المنعزلة الخاصة بقاء المعلومات القيّمة حبيسة الشركات. توجد مجموعات بيانات عامة، لكنها غالبًا ما تفتقر إلى الحجم أو الجودة اللازمين لتدريب نماذج قوية.

تُشكّل قابلية تفسير النماذج تحديات أمام قبولها من قِبل الجهات التنظيمية. تعمل نماذج التعلّم العميق، ولا سيما الشبكات العصبية الكبيرة، كصناديق سوداء. فهي تُقدّم تنبؤات دقيقة، لكنها لا تُفسّر منطقها بطرق يُمكن للعلماء التحقق منها. ومن الطبيعي أن ترغب الجهات التنظيمية في فهم سبب توصية الخوارزمية بقرار مُعيّن.

متطلبات التحقق صارمة. قد تحقق الخوارزمية دقة عالية على البيانات التاريخية، لكنها تفشل عند تطبيقها على مركبات جديدة أو مجموعات مرضى جديدة. لذا، يُعد التحقق الدقيق عبر مجموعات بيانات متنوعة أمرًا ضروريًا قبل الاعتماد على تنبؤات التعلم الآلي في اتخاذ القرارات المصيرية.

يستغرق دمج هذه التقنية مع سير العمل الحالي وقتًا. تمتلك شركات الأدوية عمليات راسخة، وأنظمة جودة، وأطر تنظيمية. ويتطلب إدخال تقنيات التعلم الآلي تدريب الموظفين، وتحديث إجراءات التشغيل القياسية، وإثبات موثوقيتها لأصحاب المصلحة المتشككين.

تطبيقات ناجحة ودراسات حالة

على الرغم من التحديات، فإن التعلم الآلي يحقق بالفعل نتائج في مختلف المجالات العلاجية.

يُعدّ إعادة استخدام الأدوية تطبيقًا ناجحًا للغاية. إذ تُحلّل خوارزميات التعلّم الآلي الأدوية الموجودة لتحديد استخدامات جديدة لها. ويستفيد هذا النهج من بيانات السلامة المُستقاة من عملية التطوير الأصلية، مما قد يُقلّل من المدة الزمنية اللازمة. وتدعم تقنيات الترشيح التعاوني والتحسين البايزي هذا العمل.

شهد علم الأورام استخداماً واسعاً لتقنيات التعلم الآلي. فتعقيد السرطان، بما يتضمنه من عوامل وراثية متنوعة واستجابات علاجية مختلفة، يجعله مجالاً مثالياً لتطبيق هذه التقنيات. تقوم الخوارزميات بتحليل جينوم الورم لمطابقة المرضى مع العلاجات المناسبة، والتنبؤ باستجاباتهم للعلاج، وتحديد استراتيجيات العلاج المركب.

يستفيد تطوير أدوية الأمراض النادرة من قدرة التعلم الآلي على استخلاص رؤى قيّمة من مجموعات البيانات الصغيرة. وتواجه الأساليب الإحصائية التقليدية صعوبة في التعامل مع الأمراض النادرة نظرًا لمحدودية عدد المرضى. وتساعد تقنيات التعلم الآلي المصممة خصيصًا لحالات البيانات الصغيرة في تحديد الأهداف والتنبؤ بالنتائج على الرغم من محدودية المعلومات السريرية.

اتجاهات تبني الصناعة والاستثمار

تخصص شركات الأدوية موارد كبيرة للتعلم الآلي. وقد أنشأت الشركات الكبرى مجموعات بحثية متخصصة في الذكاء الاصطناعي، وأقامت شراكات مع شركات التكنولوجيا، واستحوذت على شركات ناشئة تركز على التعلم الآلي.

تعكس المنشورات الاهتمام المتزايد. فقد بلغ عدد المنشورات البحثية حول الذكاء الاصطناعي في مجال الرعاية الصحية ما يقارب 70 منشورًا سنويًا بحلول عام 2020، مع نشر 671 مقالًا بين عامي 2017 ومارس 2021. ولا تزال وتيرة هذا النمو تتسارع.

تتزايد أعداد الشركات الناشئة في مجال التكنولوجيا الحيوية التي تعتمد كلياً على اكتشاف الأدوية باستخدام تقنيات التعلم الآلي. وتزعم هذه الشركات قدرتها على تطوير الأدوية بشكل أسرع وأقل تكلفة من الطرق التقليدية. وقد وصلت بعض هذه الشركات بمرشحين إلى مراحل التجارب السريرية، مما يوفر اختبارات واقعية لمدى فعالية نموذج الذكاء الاصطناعي في تحقيق وعوده.

التوجهات المستقبلية

إلى أين يتجه التعلم الآلي في تطوير الأدوية؟ هناك عدة اتجاهات تشكل المرحلة التالية.

سيدمج التعلم متعدد الوسائط أنواعًا متنوعة من البيانات، كالبنى الجزيئية، والتسلسلات الجينومية، والصور السريرية، والسجلات الصحية الإلكترونية، وبيانات الأجهزة القابلة للارتداء. وتَعِد النماذج التي تُركِّب المعلومات عبر الوسائط المختلفة بتنبؤات أكثر شمولًا من تلك التي تستخدم أنواعًا منفردة من البيانات.

يُعالج التعلم الموحد مخاوف خصوصية البيانات. فبدلاً من مركزة بيانات المرضى الحساسة، تُدرّب الأساليب الموحدة النماذج عبر مجموعات بيانات موزعة دون نقل البيانات. ويمكن لهذه التقنية أن تُتيح استخدام مجموعات تدريب أكبر مع الحفاظ على الخصوصية.

يجري استكشاف تطبيقات الحوسبة الكمومية. يتضمن اكتشاف الأدوية تحسين التركيبات الكيميائية في نطاق واسع، وهي مهمة قد توفر فيها الخوارزميات الكمومية مزايا على الحوسبة التقليدية. لا يزال الأمر في مراحله الأولى، لكن شركات الأدوية تدرس إمكانيات هذه التقنية.

يتزايد الاعتماد على الأتمتة. وتُسهم أنظمة المختبرات الروبوتية، بالاقتران مع التعلم الآلي، في إنشاء منصات اكتشاف ذات حلقة مغلقة. إذ تُصمم الخوارزمية التجارب، وتُنفذها الروبوتات، وتُعاد النتائج إلى النموذج. ويُسرّع هذا التكامل دورة التعلم.

اعتبارات التنفيذ العملي

ينبغي على المنظمات التي تفكر في اعتماد التعلم الآلي لتطوير الأدوية أن تدرس بعناية العديد من الجوانب العملية:

• ابدأ بمشاكل محددة جيداً: تُحقق تقنيات التعلّم الآلي أفضل النتائج عندما يكون السؤال محددًا، والنتيجة قابلة للقياس، والبيانات التاريخية متوفرة. أما الأهداف العامة مثل "استخدام الذكاء الاصطناعي لإيجاد أدوية أفضل" فلن تُجدي نفعًا. في المقابل، تُوفر التطبيقات المركزة مثل "التنبؤ بارتباط قناة hERG لتقليل خطر سمية القلب" أهدافًا واضحة.
• استثمر في البنية التحتية للبيانات: قبل البدء بالخوارزميات، يجب بناء أنظمة لجمع البيانات وتخزينها وتصنيفها ومراقبة جودتها. فضعف البنية التحتية للبيانات يضمن نتائج ضعيفة في مجال التعلم الآلي بغض النظر عن مدى تطور الخوارزميات.
• بناء فرق متعددة الوظائف: يتطلب استخدام التعلم الآلي الفعال في تطوير الأدوية تعاوناً بين علماء البيانات، والكيميائيين الطبيين، وعلماء الأحياء، والأطباء، والمتخصصين في الشؤون التنظيمية. ولا يمتلك أي تخصص بمفرده جميع الخبرات اللازمة.
• خطة للتواصل مع الجهات التنظيمية: ناقش تطبيقات التعلم الآلي مع الجهات التنظيمية في المراحل المبكرة من التطوير. وقد وضعت إدارة الغذاء والدواء الأمريكية ووكالة الأدوية الأوروبية آلياتٍ لهذه المحادثات. ويساهم التواصل المبكر في تجنب المفاجآت أثناء المراجعة التنظيمية.

الأسئلة الشائعة