DOI: https://doi.org/10.2147/dddt.s509769
PMID: https://pubmed.ncbi.nlm.nih.gov/40626099
تاريخ النشر: 2025-07-01
المؤلف: Fatimah Gh. Albani وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
إن دمج الذكاء الاصطناعي (AI) في اكتشاف الأدوية لعلاج الأورام يُحدث ثورة في خط أنابيب تطوير الأدوية التقليدي من خلال تعزيز سرعة الاكتشاف، وتحسين فعالية الأدوية، وتقليل السمية. يسهل الذكاء الاصطناعي تقدمًا كبيرًا في النمذجة الجزيئية، وتقنيات المحاكاة، وتحديد المركبات الجديدة، بما في ذلك العوامل المضادة للورم والأجسام المضادة، بينما يوضح أيضًا آليات سمية الأدوية. يلعب دورًا محوريًا في الطب الدقيق من خلال المساعدة في تطوير العلاجات المستهدفة وتحسين تصميم التجارب السريرية، لا سيما في تجنيد المرضى وتصنيفهم، مما يقلل في النهاية من تكاليف ومدة التجارب. على الرغم من هذه التقدمات، تظل التحديات مثل تكامل البيانات، والشفافية، والاعتبارات الأخلاقية حرجة.
يؤكد المخطوط على التأثير التحويلي للذكاء الاصطناعي عبر سلسلة تطوير الأدوية، لا سيما من خلال منهجيات مثل تصميم الأدوية بمساعدة الكمبيوتر (CADD)، والذكاء الاصطناعي التوليدي (GAI)، والفحص عالي الإنتاجية (HTS). يُعتبر CADD أداة أساسية في تطوير الجزيئات التي ترتبط بفعالية مع أهداف بيولوجية جزيئية محددة، مما يعزز استهداف الأدوية، وفعاليتها، وسلامتها. يُنتج GAI هياكل جزيئية جديدة من المكتبات الكيميائية الموجودة، بينما يجمع HTS بين ديناميات الأمراض ومجموعات البيانات الواسعة لتبسيط عملية الفحص. على الرغم من أن الذكاء الاصطناعي يساهم بشكل كبير في تصميم الأدوية وتحسينها، إلا أنه يقدم أيضًا تحديات، بما في ذلك جودة بيانات الإدخال وضرورة التقييم من قبل الخبراء للنتائج التي ينتجها الذكاء الاصطناعي. مع النظر إلى المستقبل، يهدف الدمج المستمر للذكاء الاصطناعي في تطوير الأدوية إلى تعزيز كفاءة العلاجات المضادة للورم، مع التركيز على التنبؤ بالسمية وتحسين دقة تحديد أهداف الأدوية.
مقدمة
تستعرض مقدمة ورقة البحث السياق التاريخي والتحديات المعاصرة في تطوير الأدوية، مع التركيز على العملية الطويلة والمكلفة التي تمتد عادةً من 12 إلى 15 عامًا وتتكبد نفقات تتراوح بين 1 إلى 2.6 مليار دولار. بينما اعتمدت الطرق التقليدية بشكل كبير على التحقيقات الحية من الخمسينيات إلى الثمانينيات، فإن التقدم في التكنولوجيا منذ ذلك الحين – مثل التكنولوجيا التركيبية، وتصميم الأدوية القائم على الهيكل، والفحص في المختبر – قد حول المشهد. ومع ذلك، شهد العقدان الماضيان انخفاضًا في إطلاق الأدوية الجديدة بسبب زيادة التعقيد في أبحاث الأدوية ومتطلبات السلامة الصارمة، مما يعقد ترجمة النتائج المختبرية إلى تطبيقات حية.
لمعالجة هذه التحديات، تسلط الورقة الضوء على دمج الذكاء الاصطناعي (AI) ضمن خط أنابيب تطوير الأدوية. يستفيد الذكاء الاصطناعي، كفرع من العلوم الحاسوبية، من الخوارزميات لمحاكاة الذكاء البشري، مما يمكّن من تنفيذ مهام مثل جمع البيانات، وتطوير القواعد، والتصحيح الذاتي. يهدف تطبيق الذكاء الاصطناعي في اكتشاف الأدوية إلى تعزيز الكفاءة وتقليل التكاليف من خلال إنشاء نماذج تنبؤية للنشاط الدوائي والملفات الدوائية. تركز المراجعة بشكل خاص على دور الذكاء الاصطناعي في تسريع اكتشاف وتحسين العوامل المضادة للورم، موضحةً منهجيات مثل تصميم الأدوية بمساعدة الكمبيوتر (CADD)، والذكاء الاصطناعي التوليدي (GAI)، والفحص عالي الإنتاجية (HTS) في علم الأورام.
الطرق
في هذا القسم، يحدد المؤلفون نهجًا شاملاً لنمذجة تفاعل الأدوية مع الأهداف باستخدام طرق الحوسبة. يعد تحديد هدف دوائي، عادةً بروتين، أمرًا حيويًا لتطوير الأدوية ويمكن تحقيقه من خلال تقنيات تجريبية أو بحث مدفوع بالذكاء الاصطناعي. يتم تخصيص خط أنابيب اكتشاف الأدوية بناءً على توفر الهيكل ثلاثي الأبعاد (3D) للهدف، والذي يمكن تحديده من خلال طرق مثل البلورة، أو الرنين المغناطيسي النووي، أو المجهر الإلكتروني بالتبريد، أو استنتاجه عبر نمذجة التشابه. بمجرد معرفة الهيكل الثالثي، يمكن استخدام طرق قائمة على الهيكل للتحقيق في التفاعلات مع مرشحات الأدوية؛ وإلا، يتم استخدام طرق قائمة على الجزيئات عندما يكون الهيكل غير متوفر.
يؤكد المؤلفون على فعالية نماذج الذكاء الاصطناعي في الفحص القائم على الجزيئات، والذي يطابق الفارماكوفورات للمركبات المختبرة مع تلك المعروفة من الأدوية أو الجزيئات. بالإضافة إلى ذلك، يناقشون إمكانية تصميم جزيئات جديدة من خلال الربط الجزيئي أو طرق الفارماكوفور. يبرز القسم دراسة ذات صلة قام بها الغامدي وآخرون (2025)، والتي استخدمت أدوات حسابية متنوعة للتنبؤ بخصائص وتفاعلات المستقلبات من *Calotropis procera*. تضمنت الأدوات الرئيسية خادم PASS عبر الإنترنت لتنبؤات النشاط البيولوجي، وتنبؤ الهدف السويسري لتحديد الأهداف الجزيئية، وSwissADME لتقييم الخصائص الدوائية. كما قامت الدراسة بتقييم السمية باستخدام ProTox-II والسمية القلبية باستخدام أداة pred-hERG. بشكل عام، تؤكد النتائج على الدور الكبير لطرق الحوسبة في اكتشاف الأدوية في مراحلها المبكرة، لا سيما في علم الأورام.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لتحديد الأهداف والتحقق منها في اكتشاف الأدوية، لا سيما في سياق علم الأورام. تعتبر أهداف الأدوية، التي تشمل كيانات بيولوجية متنوعة مثل المستقبلات والإنزيمات، ضرورية للفعالية العلاجية للأدوية الجديدة. تسلط الورقة الضوء على أنه بينما يركز تطوير الأدوية التقليدي غالبًا على هدف واحد لمرض معين، هناك إمكانات كبيرة في استكشاف المنتجات الطبيعية التي يمكن أن تتفاعل مع أهداف متعددة. ومع ذلك، لا يزال تحديد هذه الأهداف يمثل تحديًا، وغالبًا ما تعيقه نقص البيانات الشاملة حول الجزيئات النشطة بيولوجيًا. يتم تقديم التنقيب عن البيانات والمعلومات الحيوية كأدوات حيوية لتعزيز تحديد الأهداف، خاصة في ظل الاحتياجات العاجلة مثل تلك التي فرضتها جائحة COVID-19.
علاوة على ذلك، يحدد القسم النهج متعدد الأوجه المطلوب للتحقق من الأهداف، والذي يشمل كل من الدراسات المختبرية والحية لضمان فعالية الأهداف المحددة. يتم التأكيد على دمج الذكاء الاصطناعي (AI) في هذه العمليات، مع أمثلة توضح كيف يمكن أن تسهل الطرق المدفوعة بالذكاء الاصطناعي تحديد والتحقق من أهداف الأدوية، مما يسرع من خط أنابيب اكتشاف الأدوية. تناقش الورقة أيضًا مراحل اكتشاف الأدوية، من تحديد الاحتياجات الطبية الأولية إلى مراحل التجارب السريرية، مع التأكيد على أهمية الذكاء الاصطناعي في تعزيز فعالية الأدوية وتقليل السمية. بشكل عام، تدعو المناقشة إلى نهج تعاوني يجمع بين تقنيات الذكاء الاصطناعي وطرق الصيدلة التقليدية لتحسين تطوير الأدوية وتحسين نتائج المرضى في علم الأورام.
DOI: https://doi.org/10.2147/dddt.s509769
PMID: https://pubmed.ncbi.nlm.nih.gov/40626099
Publication Date: 2025-07-01
Author(s): Fatimah Gh. Albani et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The integration of artificial intelligence (AI) into oncology drug discovery is revolutionizing the traditional drug development pipeline by enhancing the speed of discovery, optimizing drug efficacy, and reducing toxicity. AI facilitates significant advancements in molecular modeling, simulation techniques, and the identification of novel compounds, including anti-tumor agents and antibodies, while also clarifying mechanisms of drug toxicity. It plays a pivotal role in precision medicine by aiding the development of targeted therapies and improving clinical trial designs, particularly in patient recruitment and stratification, which ultimately lowers trial costs and durations. Despite these advancements, challenges such as data integration, transparency, and ethical considerations remain critical.
The manuscript emphasizes the transformative impact of AI across the drug development continuum, particularly through methodologies like computer-aided drug design (CADD), generative artificial intelligence (GAI), and high-throughput screening (HTS). CADD is instrumental in developing molecules that effectively bind to specific biomolecular targets, enhancing drug targeting, efficacy, and safety. GAI generates new molecular structures from existing chemical libraries, while HTS combines disease dynamics with extensive datasets to streamline the screening process. Although AI significantly contributes to drug design and optimization, it also presents challenges, including the quality of input data and the necessity for expert evaluation of AI-generated outcomes. Looking ahead, the ongoing integration of AI in pharmaceutical development aims to enhance the efficiency of anti-tumor therapies, with a focus on predicting toxicity and improving the accuracy of drug target identification.
Introduction
The introduction of the research paper outlines the historical context and contemporary challenges in drug development, emphasizing the lengthy and costly process that typically spans 12-15 years and incurs expenses of $1-2.6 billion. While traditional methods relied heavily on in vivo investigations from the 1950s to the 1980s, advancements in technology since then—such as combinatorial technology, structure-based drug design, and in vitro screening—have transformed the landscape. However, the past two decades have seen a decline in new drug launches due to increased complexity in drug research and stringent safety requirements, which complicate the translation of in vitro findings to in vivo applications.
To address these challenges, the paper highlights the integration of artificial intelligence (AI) within the drug development pipeline. AI, as a branch of computational science, leverages algorithms to simulate human intelligence, enabling tasks such as data acquisition, rule development, and self-correction. The application of AI in drug discovery aims to enhance efficiency and reduce costs by generating predictive models for pharmacological activity and pharmacokinetic profiles. The review specifically focuses on the role of AI in accelerating the discovery and optimization of anti-tumor agents, detailing methodologies such as computer-aided drug design (CADD), generative artificial intelligence (GAI), and high-throughput screening (HTS) in oncology.
Methods
In this section, the authors outline a comprehensive approach to drug-target interaction modeling using in silico methods. Identifying a pharmacological target, typically a protein, is crucial for drug development and can be achieved through experimental techniques or AI-driven searches. The drug discovery pipeline is tailored based on the availability of the target’s three-dimensional (3D) structure, which can be determined through methods such as crystallography, NMR, or cryo-electron microscopy, or inferred via homology modeling. Once the tertiary structure is known, structure-based methods can be employed to investigate interactions with drug candidates; otherwise, ligand-based methods are utilized when the structure is unavailable.
The authors emphasize the effectiveness of AI models in ligand-based screening, which matches the pharmacophores of tested compounds with those of known drugs or ligands. Additionally, they discuss the potential of designing de novo ligands through molecular docking or pharmacophore methods. The section highlights a relevant study by Alghamdi et al. (2025), which employed various computational tools to predict the properties and interactions of metabolites from *Calotropis procera*. Key tools included the PASS online server for biological activity predictions, Swiss Target Prediction for identifying molecular targets, and SwissADME for evaluating pharmacokinetic properties. The study also assessed toxicity using ProTox-II and cardiotoxicity with the pred-hERG tool. Overall, the findings underscore the significant role of in silico methods in early-stage drug discovery, particularly in oncology.
Discussion
The discussion section of the research paper emphasizes the critical role of target identification and validation in drug discovery, particularly in the context of oncology. Drug targets, which include various biological entities such as receptors and enzymes, are essential for the therapeutic efficacy of new medications. The paper highlights that while traditional drug development often focuses on a single target for a specific disease, there is significant potential in exploring natural products that can interact with multiple targets. However, the identification of these targets remains a challenge, often hindered by the lack of comprehensive data on bioactive molecules. Data mining and bioinformatics are presented as vital tools for enhancing target identification, especially in the wake of urgent needs such as those posed by the COVID-19 pandemic.
Furthermore, the section outlines the multi-faceted approach required for target validation, which includes both in vitro and in vivo studies to ensure the efficacy of identified targets. The integration of artificial intelligence (AI) in these processes is underscored, with examples illustrating how AI-driven methods can streamline the identification and validation of drug targets, thereby accelerating the drug discovery pipeline. The paper also discusses the stages of drug discovery, from initial identification of medical needs to clinical trial phases, emphasizing the importance of AI in enhancing drug efficacy and minimizing toxicity. Overall, the discussion advocates for a collaborative approach that combines AI technologies with traditional pharmaceutical methods to optimize drug development and improve patient outcomes in oncology.