کشف دارو همیشه با چالشهای زیادی از جمله ناکارآمدی همراه بوده است. پروژههای دارویی سالها طول میکشد تا از یک تیم تخصصی به تیم دیگری منتقل شود که این امر باعث از دست رفتن دانش در هر مرحله انتقال میشود. به طوری که گفته میشود 90 تا 95 درصد این پروژهها با شکست مواجه میشوند، که یکی از بالاترین نرخهای شکست در هر صنعتی است.
اما محققان استنفورد با استفاده از هوش مصنوعی عاملیمثل توانستهاند این روند را متحول کنند. تیمی به رهبری «جیمز زو»، استاد علم دادههای زیست پزشکی دانشگاه استنفورد، هزاران عامل هوش مصنوعی خودمختار را در یک بیوتک مجازی مستقر کردهاند که کل چرخه زندگی توسعه دارو را شبیهسازی میکند. این عوامل از کشف اولیه تا آزمایشهای ایمنی و طراحی آزمایشهای بالینی را مدیریت میکنند و در این فرایند، پیوستگی لازم را حفظ میکنند.
در جلسه «زو» در VB Transform که قرار است در 15 ژوئیه برگزار شود، او ابزاریهای استراتژیک برای مدیریت سیاق و فرآیندهای بلندمدت در یک سیستم چندعامله را به اشتراک میگذارد و به بررسی چگونگی تبدیل و ایندکسکردن دادههای خام پرداخته و به نسلهای هوش مصنوعی این امکان را میدهد تا عملکردهای خود را به بهترین نحو انجام دهند.
تحلیل و بررسی: با پیشرفتهای اخیر در زمینه هوش مصنوعی در کشف دارو، به نظر میرسد که ما در آستانه یک تغییر عمده در صنعت داروسازی هستیم. این توانایی هوش مصنوعی در حفظ پیوستگی دادهها میتواند به کاهش زمان و هزینههای لازم برای توسعه داروهای جدید کمک کند. همچنین، با توجه به کاربردهای فراوان این تکنولوژی، انتظار میرود که شرکتهای بیشتری به سمت بهرهگیری از این سیستمها حرکت کنند.
منبع: VentureBeat (مشاهده متن اصلی)
n8n.ir/iit2998
کپی شد!