Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

إن إيصال دواء جديد من فكرة عالم إلى رف الصيدلية هو مهمة جسيمة؛ إذ تستغرق عادةً عقدًا أو أكثر وتكلف مليارات الدولارات، ومع ذلك فإن الغالبية العظمى من الأدوية المحتملة تفشل قبل أن تصل إلى المريض أبدًا. وتحدث معظم حالات الفشل هذه لأن الدواء لا يعمل بشكل جيد بما يكفي أو يسبب آثارًا جانبية ضارة لا تظهر إلا في مرحلة متأخرة من الاختبار. ولتسريع هذه الرحلة البطيئة والمكلفة، لجأ الباحثون إلى الذكاء الاصطناعي. ويشير الذكاء الاصطناعي في هذا السياق إلى الأنظمة الحاسوبية التي يمكنها التعلم من البيانات لإيجاد الأنماط وتقديم التنبؤات دون أن يتم برمجتها صراحةً بكل قاعدة على حدة. وأحد أقوى الأدوات في هذا المجال هو تعلم الآلة، حيث تقوم الحواسيب بتحليل كميات هائلة من المعلومات لتحسين أدائها بمرور الوقت. وهناك مفهوم رئيسي آخر وهو مسار اكتشاف الدواء، وهو العملية المتدرجة للعثور على هدف للمرض، وفحص ملايين المركبات الكيميائية، وتكرير أفضل المرشحين لتصبح أدوية آمنة. لسنوات، اعتمدت هذه العملية بشكل كبير على الحدس البشري والاختبار اليدوي البطيء، لكن العدد الهائل من التركيبات الكيميائية الممكنة ضخم للغاية بحيث لا يمكن للجهد البشري وحده استكشافها جميعًا.

لقد رسمت مراجعة جديدة شاملة للأدبيات العلمية مسارًا يوضح بالضبط كيف يُستخدم الذكاء الاصطناعي حاليًا لمعالجة هذه التحديات. لم يقم الباحثون وراء هذه الدراسة، بقيادة محمود أحمد وزملاؤه، بإجراء تجربة مخبرية جديدة، بل عملوا كأرشيفيين بارعين، حيث جمعوا وحللوا 618 ورقة علمية منفصلة نُشرت بين عامي 2019 و2026. لقد بحثوا في ثلاث قواعد بيانات رئيسية تحتوي على ملايين السجلات، وقاموا بتصفية الدراسات المكررة وغير ذات الصلة للتركيز فقط على الأبحاث عالية الجودة التي طبقت الذكاء الاصطناعي في اكتشاف الأدوية. كان هدفهم هو اختراق الضجيج في مجال ينمو بسرعة، حيث تظهر آلاف الأوراق الجديدة كل عام، لفهم أي الطرق تعمل بالفعل، وإلى أين يتجه المجال، وما هي المشكلات التي لا تزال قائمة. أرادوا رسم صورة واضحة للمشهد، وتنظيم المزيج الفوضوي من التقنيات في إطار هيكلي يمكن للعلماء وقادة الصناعة استخدامه للمضي قدمًا.

وكشفت المراجعة أن هذا المجال قد انفجر في السنوات الأخيرة. ففي عام 2019، كانت هناك 11 دراسة ذات صلة فقط، ولكن بحلول عام 2026، ارتفع هذا الرقم إلى 159، مما يظهر زيادة بمقدار أربعة عشر ضعفًا. والنهج الأكثر شيوعًا الموجود في هذه الدراسات هو تعلم الآلة، الذي ظهر في كل ورقة تمت مراجعتها تقريبًا. وضمن تلك الفئة الواسعة، استُخدم التعلم العميق — وهو نوع من الذكاء الاصطناعي المستوحى من الشبكات العصبية للدماغ البشري — في حوالي 78 بالمائة من الدراسات. وبينما لا تزال الأساليب القديمة مثل نمذجة العلاقة الكمية بين البنية والنشاط، والتي تتنبأ بكيفية سلوك الجزيء بناءً على شكله، تُستخدم على نطاق واسع، إلا أن التقنيات الجديدة ترتفع بسرعة. فقد أصبحت الشبكات العصبية الرسومية، التي تعامل الجزيئات كخرائط من النقاط المتصلة لفهم بنيتها، ونماذج المحولات (transformer models)، وهي نفس نوع التكنولوجيا الكامنة وراء أدوات اللغة المتقدمة، قوى مهيمنة، لا سيما في الأوراق المنشورة في العامين الماضيين. وتبرع هذه الأدوات الجديدة بشكل خاص في تصميم جزيئات جديدة تمامًا من الصفر بدلاً من مجرد اختبار الموجود منها.

وقد نظم الباحثون هذه النتائج في نظام واضح، يوضح أي أدوات الذكاء الاصطناعي هي الأنسب لكل مرحلة من مراحل عملية اكتشاف الدواء. والتطبيق الأكثر تكرارًا هو الفحص الافتراضي، حيث تختبر الحواسيب بسرعة ملايين المركبات الكيميائية لمعرفة أي منها قد يرتبط بهدف المرض. وقد استحوذ ذلك على أكثر من نصف الدراسات. والمجال الثاني الأكثر شيوعًا هو التصميم من الصفر (de novo design)، حيث يبتكر الذكاء الاصطناعي هياكل كيميائية جديدة لم توجد من قبل. ورغم قوة هذه الأدوات، وجدت المراجعة أن المجال لا يزال يعاني في كيفية إثبات عملها بشكل موثوق. وتتمثل إحدى المشكلات الرئيسية في أن العديد من الدراسات تستخدم نوعًا واحدًا فقط من القياس للحكم على النجاح، وغالبًا ما تركز على درجة واحدة يمكن أن تكون مضللة عندما تكون البيانات غير متوازنة. فعلى سبيل المثال، إذا كانت مجموعة البيانات تحتوي في الغالب على مركبات غير نشطة، فقد يبدو النموذج دقيقًا للغاية بمجرد تخمين أن كل شيء غير نشط، ومع ذلك سيفشل في إيجاد الأدوية النشطة القليلة المهمة. ووجدت المراجعة أن عددًا قليل جدًا من الدراسات أبلغت عن المقاييس المحددة اللازمة لكشف هذه الأخطاء، مما يجعل من الصعب مقارنة الأساليب المختلفة بشكل عادل.

وثمة نتيجة هامة أخرى هي أنه بينما تصبح النماذج الحاسوبية أكثر تطورًا، فإن التطبيق الواقعي لهذه النماذج يتخلف عن الركب. ولم تكن أكبر التحديات المحددة هي الإخفاقات التقنية للخوارزميات نفسها، بل صعوبة دمج هذه التنبؤات الرقمية في التجارب المخبرية الفعلية والتجارب السريرية. ولم تتضمن سوى نسبة صغيرة من الدراسات التي شملتها المراجعة اختبار نماذجها على بيانات جديدة ومستقلة تمامًا لمعرفة ما إذا كانت ستعمل في بيئة مختلفة. علاوة على ذلك، فإن العديد من أنظمة الذكاء الاصطناعي القوية هذه هي "صناديق سوداء"، مما يعني أنه حتى العلماء الذين بنوها لا يمكنهم فهم السبب الذي جعل الحاسوب يقدم تنبؤًا محددًا بشكل كامل. وهذا النقص في الشفافية يشكل عقبة كبيرة أمام الجهات التنظيمية، التي تتطلب تفسيرات واضحة قبل الموافقة على الأدوية الجديدة. كما سلطت المراجعة الضوء على أن البيانات المستخدمة لتدريب هذه النماذج غالبًا ما تكون غير كاملة أو منحازة، مما قد يؤدي إلى نماذج تعمل جيدًا في محاكاة حاسوبية ولكنها تفشل عند تطبيقها على أنظمة بيولوجية حقيقية.

كما أن التوزيع الجغرافي لهذا البحث معبر أيضًا، حيث تأتي غالبية الدراسات من الصين والولايات المتحدة والهند. وأشارت المراجعة إلى أن مساهمة الهند أكبر مما كان يُعتقد سابقًا، مما يشير إلى مركز متنامٍ للابتكار في تلك المنطقة. ورغم النمو السريع والحجم الهائل للأبحاث، يخلص المؤلفون إلى أن المجال يمر بمنعطف حرج. لقد تقدمت التكنولوجيا إلى الحد الذي يمكنها فيه توليد مرشحات دوائية جديدة والتنبؤ بخصائصها بدقة عالية، لكن البنية التحتية للتحقق من هذه المرشحات وتفسيرها ونشرها بأمان ليست جاهزة بعد. وتقترح المراجعة أن الخطوة الكبرى التالية لا تقتصر فقط على بناء نماذج أكبر، بل في إنشاء أنظمة شفافة وقابلة للتكرار وقادرة على العمل عبر أنواع مختلفة من البيانات، مثل الجمع بين المعلومات الجينية والهياكل الكيميائية. وإلى أن يتم سد هذه الفجوات، سيظل الوعد الذي يقدمه الذكاء الاصطناعي لتقليص وقت وتكلفة طرح أدوية جديدة منقذة للحياة في السوق محققًا بشكل جزئي فقط.