هوش مصنوعی وارد تمام جنبه‌های زندگی بشر شده است و آن را تحت تأثیر قرار می‌دهد. امروزه استفاده از هوش مصنوعی و ربات‌ها در صنعت پزشکی به سرعت در حال رشد است. از طرفی صنعت دارو و داروسازی نیز که در ارتباط تنگاتنگی با صنعت پزشکی است در نظر دارد از هوش مصنوعی در تولید داروها و پیش‌بینی تأثیرات درمانی آن‌ها استفاده کند. و امکان توسعه‌ی محصولات دارویی برای برخی از بیماری‌ها را راحت‌تر کرده و به پیشرفت صنعت داروسازی کمک کند.

هرگز نباید این موضوع نادیده گرفته شود که روش‌های تجزیه و تحلیل‌ ژنتیکی موجود به اندازه‌ی کافی قدرتمند نیستند و این مسئله هنوز جای کار زیاد دارد.

امروزه محققان برای تشخیص و درمان بیماری‌ها اغلب بر روی یک جهش ژنتیکی منفرد که سبب بروز آن بیماری شده است مطالعه می‌کنند و بیشتر بر روی اثرات جهش متوسطی تمرکز می‌کنند که منجر به بروز یک بیماری در سطح جهانی می‌شود. اما لازم است بدانید که این رویکردها پیچیدگی‌ها و ویژگی‌هایی که منجر به افزایش این بیماری‌ها می‌شود را نادیده می‌گیرد. اطلاعات دموگرافیک، پروتئین‌ها، تعاملات بین چندین ژن، اثرات زیست محیطی و... همگی از جمله عواملی هستند که سبب بروز یا شیوع انواع بیماری‌ها می‌شوند.

تا همین اواخر کامپیوترها تا این حد قدرتمند نبودند که بتوانند تمام اطلاعات موجود در زمینه‌ی سلامت را مورد تجزیه و تحلیل قرار دهند. و حتی مجموعه داده‌هایی که به اندازه‌ی کافی بزرگ باشد نیز برای تست وجود نداشت. اما ظهور هوش مصنوعی توانست تعاملات بین ابر داده‌های سلامتی را بیش‌تر کند تا به سرعت بتوانند توالی ژنوم کلی و جمع‌آوری اطلاعات مولکولی را بهتر از همیشه به دست بگیرند. هوش مصنوعی می‌تواند دقت در انتخاب داروها را به یک واقعیت تبدیل کند. البته روزی خواهد آمد که همین سیستم‌های هوشمند قادر به شناسایی ویژگی‌های منحصر به فردی باشند که می‌تواند منجر به یک بیماری خاص شود و چگونگی درمان آن را نیز تشخیص دهد.

جیسون مور (Jason H. Moore) رئیس بخش انفورماتیک دانشگاه پنسیلوانیا می‌گوید:

این‌ها همان چیزهایی هستند که دقت در پیش‌بینی داروهای مورد نیاز ارائه می‌دهد. این نکته را همیشه باید در نظر داشته باشید که ما انسان‌ها همگی متفاوت بوده و ساختار ژن منحصر به فردی داریم. و گاهی هر آرایش ژن نیازمند شکل خاصی از درمان است که بستگی به ساختار ژن و محیط و ساختار بدن افراد دارد. و من فکر می‌کنم هوش مصنوعی نقش بسیار مهمی را در این بین بازی می‌کند. البته توانایی در کنار هم قرار دادن عوامل ژنتیکی و محیطی به شناسایی زیرگروه مهمی می‌انجامد.

جیسون مور (Jason H. Moore) رئیس بخش انفورماتیک دانشگاه پنسیلوانیا
مور یکی از دو محققی است که با استفاده از سیستم هوش مصنوعی سلامت روش‌های خود را در سطح‌بندی ابر داده و دانش پیش‌بینی برای مبارزه با بیماری‌ها در آکادمی علوم نیویورک ارائه داده‌اند. سیستم هوش مصنوعی سلامت اساساً بر پایه‌ی تفکر کامپیوترها در زمینه‌ی ژنومیک، بیماری‌ها و درمان است که کار آن مشابه عملی است که اکنون توسط انسان‌ها انجام می‌شود اما بسیار سریع‌تر و پرقدرت‌تر بوده و در مقیاس بزرگ‌تری انجام می‌شود.

یکی از هیجان‌انگیزترین برنامه‌های کاربردی در زمینه‌ی هوش مصنوعی تعیین اهداف جدید برای داروها است. از آنجایی که توسعه‌ی یک دارو به طور متوسط ۱۴ سال به طول می‌انجامد و هزینه‌ای حدود ۱.۶ میلیارد دلار دارد شرکت‌های دارویی از روش‌هایی که بتواند در کاهش زمان و هزینه به آن‌ها کمک کند استقبال می‌کنند.

دکتر نیون ناراین (Niven Narain) مؤسس و رئیس و مدیر ارشد فناوری شرکت دارویی برگ (Berg) در پرسشنامه‌ی شرکت خود در مورد پلت فرم سیستم هوش مصنوعی بیولوژیکی چندین هدف دارویی را تعیین کرده است که در حال توسعه هستند و حداقل ۲۵ مورد دیگر وجود دارند که در خط لوله قرار دارند. پلت‌فرم برگ داده‌های زیادی در مورد بیماران منحصر به فرد در بر دارد و در تلاش است تا فرصت‌های درمانی جدیدی را که شامل اطلاعات دموگرافیک و شرایط محیطی جهش‌های ژنتیکی است را از دست ندهد. او می‌گوید:

روش برگ زمان و هزینه‌ی لازم برای توسعه‌ی داروها را به نصف کاهش داده است.

ناراین می‌گوید:

این امر نه تنها باعث می‌شود که زمان لازم برای تولید داروها کاهش یابد. بلکه می‌تواند سبب افزایش اثر داروهای تولیدی نیز شود. این مقوله همچنین می‌تواند سرعت توسعه‌ی داروها را نیز افزایش دهد. به کمک هوش مصنوعی می‌توان تفاوت‌های قابل ملاحظه‌ای در تولید محصولات ایجاد کرد به عنوان مثال می‌توان سرعت توسعه‌ی داروها را بیش از ۱۰۰۰ برابر کرد.

در آزمایشگاه مور به کمک سیستم هوش مصنوعی تحت عنوان EMERGENT پنج نشانگر زیستی جدید کشف کرده‌اند که می‌تواند اهداف دارویی بالقوه‌ای را برای اختلال گلوکوم چشم به دست آورد. برای انجام این آزمایش مور و همکارانش اطلاعات مربوط به ۲۳۰۰ نفر را به عنوان ورودی وارد سیستم کردند. سپس اطلاعات بیش از ۶۰۰۰۰۰ توالی DNA مخصوص و دانش تعامل با ژن‌های خاص را نیز به عنوان ورودی سیستم در نظر گرفتند. سیستم هوش مصنوعی مذکور می‌بایستی یکی از این دنباله‌های DNA موجود را به عنوان اثر گلوکوم تشخیص می‌داد و پنج مورد دیگر فرصت‌های جدید برای توسعه‌ی داروهای مختلف بودند.

در مراحل بعد مور و همکارانش به کمک زیست‌شناسان به توسعه‌ی راه‌های بهتر برای تجسم داده‌هایی که کامپیوترهای هوش مصنوعی آن‌ها را نتیجه می‌دهند پرداخته، آن‌ها را تفسیر می‌کنند و چگونگی استفاده از آن را توضیح می‌دهند. این گروه همچنین از پلت‌فرم‌های بازی‌های ویدئویی استفاده می‌کنند که با تکنولوژی در ارتباط هستند. تا بتوانند برنامه‌هایی را توسعه دهند که می‌تواند در نهایت به محققان این اجازه را دهد تا به طور کامل خود را در داده‌ها و الگوریتم‌های هوش مصنوعی موجود در داخل سیستم بازی غرق کنند.

تصور کنید که تمام ابرداده‌های مورد نیاز شما در بازی ویدئویی حضور دارند و شما در حال پرواز در بین آن‌ها هستید و چیزهای جالبی را می‌بینید. و از این طریق قادر به تجسم درونی داده‌ها می‌شوید. با فشردن دکمه‌ای شاهد نتایج حاصل از تجزیه و تحلیل ناشی از داده‌های تجسمی می‌شوید. البته همه‌ی این‌ها به چگونگی تجزیه و تحلیل ابرداده‌ها بستگی دارد.

البته از نظر مور حداقل دو دهه زمان نیاز است تا هوش مصنوعی بتواند به این شکل در دسترس قرار گیرد و به شکل کاملی از تفسیر بالقوه‌ برسد. ناراین نیز ظهور اولین برنامه‌های هوش مصنوعی در زمینه‌ی پزشکی را در سه تا چهار سال آینده می‌داند. این پیش‌بینی‌ها به ویژه به این دلیل است که اداره‌ی فدرال داروهای آمریکا و شرکت‌های بیمه شروع به تشویق مردم برای استفاده از ابر داده‌ها در تصمیم‌گیری‌های لازم برای مراقبت‌های بهداشتی اقدام می‌کنند.

ناراین می‌گوید:

هوش مصنوعی این میزان جریان از اطلاعات را که قرار است به کمک داده‌ها به دانش ما اضافه شود و از دانش به محصولات منتقل شود را نیز شامل می‌شود. برای کمک به افزایش سرعت پردازش و کمک به حذف نویزهای واقعی از سیگنال واقعی به بشر کمک خواهد کرد و در حقیقت این سیگنال‌ها هستند که قرار است فرآیندها را پیش ببرند.