قالت شركة Mindbeam AI الخاصة إن أحدث أبحاثها تشير إلى أن الذكاء الاصطناعي التوليدي يمكن أن يسرع البحث عن مسكنات ألم أكثر أمانًا من خلال تحديد مركبات جديدة ذات سلامة كبدية متوقعة محسنة مقارنة بالأسيتامينوفين، مع تقصير المراحل المبكرة من اكتشاف الأدوية.

تُطوّر شركة Mindbeam AI، العضو في برنامج NVIDIA Inception للشركات الناشئة، بنية تحتية تهدف إلى تحسين تدريب نماذج اللغة الكبيرة واستنتاجها، مع التركيز على تحسين الأداء وكفاءة استخدام الموارد باستخدام NVIDIA Inc. (NASDAQ: NVDA ) الحوسبة القائمة على وحدة معالجة الرسومات (GPU).

وقالت الشركة إن نتائجها الأولية توضح كيف يمكن لتصميم الأدوية المدعوم بالذكاء الاصطناعي أن يوسع نطاق العلاجات المحتملة للألم من خلال الجمع بين الذكاء الاصطناعي التوليدي والنمذجة الحاسوبية وتقنيات الفحص الافتراضي.

ثلاثة مركبات رائدة ظهرت من خلال الفحص الافتراضي

قامت شركة Mindbeam بتصميم وتقييم 24 مرشحًا دوائيًا جديدًا يستهدف TRPV1، وهو مستقبل يشارك في إشارات الألم.

وقالت الشركة إن تقييمات الفعالية والسمية قلصت المجموعة إلى ثلاثة مركبات رائدة أظهرت إمكانات قوية كعلاجات مستقبلية للألم.

ووفقًا للدراسة، قدم أحد المرشحين الثلاثة أفضل ملف تعريف شامل، حيث حقق توازنًا بين الفعالية المتوقعة والتوافر البيولوجي وخصائص التحمل.

أكدت الشركة أن هذه النتائج لا تزال أولية وتمثل خطوة مبكرة في جهد بحثي أوسع نطاقاً وليست نتيجة نهائية.

يركز البحث على تقليل السمية الكبدية المتوقعة

كان الهدف الرئيسي من البحث هو معالجة مخاطر سمية الكبد المعروفة المرتبطة بالأسيتامينوفين، وهو أحد أكثر مسكنات الألم شيوعًا التي لا تستلزم وصفة طبية.

أشارت شركة Mindbeam إلى أن الاستخدام المزمن لجرعات عالية من الأسيتامينوفين يمكن أن يسبب تلف الكبد، مما يحد من ملاءمته لبعض المرضى ويسلط الضوء على الحاجة إلى خيارات جديدة لإدارة الألم مع تحسينات في مستوى الأمان.

وقالت الشركة إن نهجها القائم على الذكاء الاصطناعي حدد مركبات ذات سلامة كبدية متوقعة محسنة، مما قد يوسع نطاق المرشحين العلاجيين القابلين للتطبيق للتطوير المستقبلي.

البنية التحتية للذكاء الاصطناعي تدعم جهود اكتشاف الأدوية

وقالت شركة Mindbeam إن البحث يوضح أيضاً كيف يمكن للذكاء الاصطناعي أن يضغط الجداول الزمنية لتطوير الأدوية في المراحل المبكرة مع تحسين كفاءة تحديد المركبات الواعدة.

يستند هذا العمل إلى استراتيجية الشركة الأوسع نطاقاً للبنية التحتية للذكاء الاصطناعي، بما في ذلك إطار عمل Litespark الخاص بها، والذي تم تصميمه لتسريع تدريب نماذج الذكاء الاصطناعي التوليدية مع تقليل تكاليف الحوسبة واستهلاك الطاقة.

صورة من موقع Shutterstock