هوش مصنوعی به‌عنوان یکی از تحول‌آفرین‌ترین فناوری‌های معاصر، توانسته است مسیر کشف و توسعه دارو را به‌طور بنیادین دگرگون سازد. فرآیند سنتی کشف دارو همواره زمان‌بر، پرهزینه و با نرخ شکست بالا بوده است؛ اما ظهور الگوریتم‌های یادگیری ماشین و یادگیری عمیق، امکان تحلیل داده‌های عظیم زیستی و شیمیایی را فراهم کرده و موجب افزایش سرعت، دقت و کارایی این چرخه شده است. هدف این پژوهش، بررسی نقش هوش مصنوعی در بهبود فرآیند کشف سریع‌تر و ایمن‌تر داروها و تبیین ابعاد فنی و کاربردی آن در طراحی مولکول، پیش‌بینی ساختار پروتئین و اعتبارسنجی اهداف درمانی است. روش تحقیق به‌صورت مروری و تحلیلی بر اساس مطالعات علمی اخیر انجام شد و به بررسی رویکردهای مختلف از جمله یادگیری نظارت‌شده، بدون‌نظارت، تقویتی و مدل‌های مولد پرداخته شد. نتایج نشان داد که مدل‌های یادگیری عمیق، به‌ویژه شبکه‌های عصبی گرافی و ترانسفورمرها، توانایی پیش‌بینی فعالیت زیستی ترکیبات و طراحی ده نوو مولکول‌های دارویی را با دقت بالایی دارند. همچنین، پیشرفت‌هایی نظیر مدل‌های پیش‌بینی ساختار پروتئینی بر پایه یادگیری عمیق، مانند AlphaFold، موجب تسریع چشمگیر فرآیند طراحی مبتنی بر ساختار شده‌اند. یافته‌ها بیانگر آن است که کاربرد هوش مصنوعی در غربالگری مجازی، بهینه‌سازی چندهدفه و کشف مجدد داروها باعث کاهش هزینه و زمان توسعه، و در عین حال افزایش میزان موفقیت داروهای کاندیدا شده است. با این وجود، چالش‌هایی همچون کمبود داده‌های استاندارد، سوگیری داده‌ای، و نیاز به شفافیت تصمیمات مدل‌ها هنوز پابرجاست و باید مورد توجه قرار گیرد. در نتیجه، می‌توان گفت هوش مصنوعی نه‌تنها ابزاری کمکی، بلکه یک عنصر حیاتی در آینده کشف دارو است که با ترکیب علم داده، زیست‌شناسی و مهندسی نرم‌افزار، امکان طراحی دقیق‌تر، ایمن‌تر و مقرون‌به‌صرفه‌تر داروها را فراهم می‌سازد و افق‌های جدیدی را در درمان بیماری‌های پیچیده و نادر پیش‌روی محققان می‌گشاید.

هوش مصنوعی کشف دارو یادگیری ماشین طراحی مولکولی پیش‌بینی سمیت