ضرورت مسئله:
ژندرمانی با ارائه درمانهای موثر برای طیف وسیعی از اختلالات ژنتیکی مانند فیبروز کیستیک، هموفیلی و انواع خاصی از سرطان، پتانسیل ایجاد انقلابی در پزشکی را دارد. وکتورهای ویروسی اجزای کلیدی ژندرمانی هستند، زیرا به عنوان حامل انتقال ژنهای درمانی عمل میکنند. با اینحال، طراحی و بهینهسازی وکتورهای ویروسی اغلب فرآیندهای زمانبر، سنگین از لحاظ اجرایی و پرهزینه هستند. توسعه یک پلتفرم مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین (ML) برای طراحی وکتورهای ویروسی در ژندرمانی برای رفع نیازهای مبرم زیر بسیار مهم است:
- تسریع تحقیق و توسعه طراحی وکتور: طراحی وکتورهای ویروسی کارآمد و ایمن در حال حاضر یک گلوگاه در توسعه ژندرمانی است. یک پلتفرم مبتنی بر هوش مصنوعی فرآیند طراحی وکتور را ساده کرده و امکان غربالگری سریع و مقرون به صرفه از گزینههای اثربخش احتمالی را فراهم میکند.
- افزایش ایمنی و کارایی: الگوریتمهای هوش مصنوعی میتوانند مقادیر زیادی از دادهها را برای شناسایی الگوها و همبستگیها تجزیه و تحلیل کنند، که میتواند به محققان کمک کند ویژگیهای بهینه برای وکتورهای ویروسی را مشخص کنند. با استفاده از این بینشها، محققان میتوانند وکتورهایی با پروفایلهای ایمنی بهبود یافته و افزایش اثربخشی طراحی کنند و در نتیجه خطر عوارض جانبی را کاهش داده و نتایج درمان را افزایش دهند.
- پزشکی شخصیسازی شده: توانایی این پلتفرم برای تجزیه و تحلیل دادههای فردی بیمار، مانند اطلاعات ژنومی، میتواند توسعه وکتورهای ویروسی شخصیسازی شده متناسب با ترکیب ژنتیکی منحصربهفرد هر بیمار را امکانپذیر کند. این امر شانس درمان موفقیتآمیز را افزایش داده و احتمال عوارض جانبی را به حداقل میرساند.
- بهینهسازی منابع: با خودکارسازی و بهینهسازی جنبههای مختلف طراحی وکتور ویروسی، پلتفرم مبتنی بر هوش مصنوعی میتواند اتکا به نیروی کار متخصص را کاهش دهد. این امر، منابع انسانی ارزشمندی را آزاد میکند و به محققان این امکان را میدهد تا بر سایر جنبههای حیاتی توسعه ژندرمانی تمرکز کنند.
- همکاری بینرشتهای: این پلتفرم میتواند به عنوان محوری برای همکاریهای بینرشتهای عمل کند و همکاری بین متخصصان در زمینههایی مانند زیستشناسی مولکولی، ویروسشناسی، بیوانفورماتیک و علوم رایانه را تقویت کند. این محیط مشارکتی، تبادل ایدهها، کسب دانش و تعمیق تخصص را تسهیل کرده و باعث ایجاد نوآوری در ژندرمانی و محصولات مشابه میشود.
به طور خلاصه، توسعه یک پلتفرم مبتنی بر هوش مصنوعی برای طراحی وکتورهای ویروسی در ژندرمانی و دارورسانی برای تسریع پیشرفت تحقیقات ژندرمانی، افزایش ایمنی و اثربخشی درمان، فعال کردن پزشکی شخصیسازی شده، بهینهسازی منابع، و تقویت همکاریهای بینرشتهای ضروری است. با توسعه این پروژه، میتوانیم از قدرت هوش مصنوعی برای توسعه درمانهای متحولکننده استفاده کنیم که زندگی میلیونها بیمار را در سراسر جهان بهبود میبخشد.
مشروح مسئله تحقیقاتی:
توسعه وکتورهای ویروسی کارآمد، ایمن و شخصیسازی شده برای کاربردهای ژندرمانی و دارورسانی هدفمند یک مسئله تحقیقاتی پیچیده و چندوجهی است. هدف این پروژه، ترکیب تکنیکهای مبتنی بر هوش مصنوعی و یادگیری ماشین، و رسیدگی به مسائل فرعی مرتبط زیر است که در کنار هم مسئله تحقیق و موضوع پروژه را تشکیل میدهند:
- کارایی و ویژگی: طراحی وکتورهای ویروسی که میتوانند به طور مؤثر ژنهای درمانی و مولکولهای دارویی را به سلولهای هدف تحویل دهند و در عین حال اثرات خارج از هدف را به حداقل برسانند، فرآیندی دشوار و پیچیده است. مسئله تحقیق مستلزم شناسایی ترکیب بهینه اجزای وکتور ویروسی، با در نظر گرفتن تعداد زیاد ترکیبات بالقوه، تأثیر عوامل مختلف مانند نوع سلول و زمینه بیماری، و ماهیت پویای سیستمهای بیولوژیکی است. پلتفرم مبتنی بر هوش مصنوعی و یادگیری ماشین از الگوریتمهای پیشرفته برای تحلیل و مدلسازی این تعاملات پیچیده استفاده کرده و محققان را به سمت طراحیهای وکتوری کارآمدتر و خاصتر هدایت میکند.
- ایمنی و ایمنیزایی: اطمینان از ایمنی وکتورهای ویروسی از اهمیت بالایی برخوردار است. توسعه وکتورهای ویروسی با ایمنیزایی کم و کاهش پتانسیل جهشزایی، و همزمان حفظ عملکرد درمانی آنها، مسئله تحقیق میباشد. پلتفرم توسعهیافته، مجموعه دادههای بزرگ را برای شناسایی الگوها و همبستگیهایی که میتوانند طراحی وکتورهای ویروسی ایمنتر را مشخص کنند، تجزیه و تحلیل میکند. با ترکیب دادههای ایمونولوژیکی و ژنومی، این پلتفرم، توسعه وکتورهایی را تسهیل کرده و پاسخهای ایمنی نامطلوب و سایر نگرانیهای ایمنی را به حداقل میرساند.
- مقیاسپذیری و ساخت: انتقال از تحقیقات پیشبالینی به استفاده بالینی نیازمند فرآیندهای ساخت مقیاسپذیر و مقرونبهصرفه برای وکتورهای ویروسی است. مسئله تحقیق شامل شناسایی ویژگیهای طراحی است که امکان تولید در مقیاس بزرگ را فراهم کرده و در عین حال ایمنی و کارایی وکتور را حفظ میکند. پلتفرم مبتنی بر هوش مصنوعی و یادگیری ماشین بهینهسازی طرحهای وکتوری و فرآیندهای تولید را امکانپذیر ساخته و اطمینان میدهد که وکتورهای توسعهیافته میتوانند در مقیاس مورد نیاز برای کاربردهای بالینی تولید شوند.
- شخصیسازی و سازگاری: همانطور که حوزه دارودرمانی و ژندرمانی به سمت پزشکی شخصیسازی شده پیش میرود، نیاز فزایندهای به توسعه وکتورهای ویروسی وجود دارد که می توانند با پیشینه ژنتیکی بیماران و نیازهای خاص بیماری سازگار شوند. مسئله تحقیق شامل توسعه پلتفرمی است که بتواند دادههای بیمار، مانند اطلاعات ژنومی را تجزیه و تحلیل کرده و آن را در فرآیند طراحی وکتور بگنجاند. پلتفرم مبتنی بر هوش مصنوعی و یادگیری ماشین ایجاد وکتورهای ویروسی شخصیسازی شده را تسهیل کرده، شانس درمان موفقیتآمیز را افزایش میدهد و احتمال واکنشهای نامطلوب را به حداقل میرساند.
با پرداختن به مسائل مذکور در طی نقشه راه تعریف شده، هدف این پروژه ایجاد یک پلتفرم جامع مبتنی بر هوش مصنوعی و یادگیری ماشین برای طراحی وکتور های ویروسی در ژن درمانی و دارودرمانی هدفمند است. این پلتفرم طراحی وکتورها را بهینه میکند، ایمنی و کارایی را افزایش میدهد، از فرآیندهای تولید مقیاسپذیر پشتیبانی کرده و دستیابی به پزشکی شخصیسازی شده را تسهیل میکند. با انجام این کار، این پلتفرم به طور قابل توجهی به پیشرفت و توسعه محصولات جدید ژندرمانی و دارورسانی هدفمند کمک کرده و در نهایت نتایج درمان بیماران را بهبود میبخشد و دامنه اختلالات ژنتیکی قابل درمان را گسترش میدهد.
شرکت دانشبنیان متقاضی سابقهای درخشان در حوزه توسعه محصولات سلامتمحور و دارویی دارد، که با تکیه بر تخصص و انگیزه تیم جوان حاضر در شرکت، دستیابی به سهم چشمگیر و رقابت با بازیگران اصلی صنعت دارو و زیستفناوری جهان در سطح بین المللی، را هدفگذاری کرده است. هدف اصلی شرکت ارائه راهحلهای به روز، جهت اعتلای صنعت داروسازی و زیست فناوری کشور میباشد و تاکنون دانش فنی عمیقی در واحد تحقیقوتوسعه شرکت با تجاریسازی و انتقال تکنولوژی تولید چندین محصول دارویی، تشخیصی، و همچنین ملزومات فرآیندهای زیستی، به وجود آمده است. ورود به حوزه ژندرمانی، سلولدرمانی و درمانهای جدید مبتنی بر سیستمهای دارورسانی نوین، از سال 1401 در دستور کار شرکت قرار گرفته است و طرح پیشنهادی از اولین قدمها در راستای حرکت به سوی توسعه محصولاتی فناورانه با قابلیت ارائه در بازار جهانی میباشد.
1- مطالعات اولیه و شناخت مسئله
- توسعه زیرساخت نرمافزاری و مطالعه منابع علمی
2- جمعآوری دادهها
- دسترسی به پایگاههای داده
- طراحی زیرساخت مجموعه دادههای مورد نیاز تغذیهکننده الگوریتم
- ورود اطلاعات دریافتشده از مقالات و مطالعات
3- تجزیه و تحلیل اولیه دادهها
- جمعبندی دادههای بهدست آمده
- تکمیل زیرساخت مجموعه داده
4- پردازش و مدلسازی دادهها
- توسعه الگوریتم
- استفاده الگوریتم از مجموعه داده تکمیل شده
- بهینهسازی مدل و طراحی یک ساختار معتبر و سفارشگذاری سنتز وکتور
5- ارزیابی و ارائه نتایج
-
- آنالیز ساختاری
- تست و ارزیابی در محیط آزمایشگاهی (in-vitro, in-vivo)
- جمعبندی و ثبت پتنت
الزامات تحقیق:
الزامات تحقیق برای توسعه یک پلتفرم مبتنی بر هوش مصنوعی و یادگیری ماشین برای طراحی وکتورهای ویروسی در ژندرمانی و دارورسانی هدفمند شامل به دست آوردن مجموعه دادههای با کیفیت بالا، متنوع و نماینده برای آموزش و اعتبارسنجی مدل، دسترسی ایمن به منابع محاسباتی پیشرفته برای توسعه و اجرای الگوریتم، و تقویت و تجمیع این منابع است. همکاری بینرشتهای بین کارشناسان، پرداختن به تفسیرپذیری و اعتبار مدل، و اطمینان از ادغام یکپارچه با پایپلاین تحقیقاتی موجود و در حال انجام و آزمایشهای بالینی نیز از جنبههای حیاتی هستند.
زیرساختها و تجهیزاتی که متقاضی میتواند در اختیار مجری قرار دهد:
- آزمایشگاه BSL-3 و BSL-2
- آزمایشگاه شیمی
- تجهیزات معمول آزمایشگاهی
- فضای کار اشتراکی
- شبکه گسترده همکاران و مشاوران جهت پیشبرد پروژه
خروجیهای مورد انتظار تحقیق:
- تبیین ساختار و ایجاد زیرساخت پایگاه داده مورد نیاز جهت توانمندسازی الگوریتم توسعه یافته (Model Training)
- توسعه الگوریتم هوش مصنوعی و یادگیری ماشین مورد نیاز جهت طراحی وکتورهای جدید درمانی
- دستیابی به خروجیهای منطقی با راستیآزمایی الگوریتم توسعهیافته در محیط توسعهیافته (حداقل یک آزمایش در بستر کشت سلولی یا مدل حیوانی)
- ورود نتایج آزمایشها بر روی وکتور طراحی و سنتز شده، به الگوریتم، جهت بهینهسازی و رفع اشکالات احتمالی
گلوگاههای احتمالی:
- در دسترس بودن و کیفیت دادهها: یک گلوگاه کلیدی در این پروژه میتواند به دست آوردن مجموعه دادههای با کیفیت بالا، متنوع و نماینده برای آموزش و اعتبارسنجی مدلهای هوش مصنوعی و یادگیری ماشین باشد. دسترسی محدود به دادههای ژنومی، ایمونولوژیکی و بالینی یا دادههایی با کیفیت متناقض ممکن است مانع توسعه و بهینهسازی پلتفرم شود.
- تفسیرپذیری و اعتبارسنجی مدل: مدلهای AI و ML میتوانند پیچیده و تفسیر آنها دشوار باشد، که میتواند اعتبار پیشبینیهای آنها و اطمینان از صحت و دقت آنها را چالشبرانگیز کند. پرداختن به مسائل تفسیرپذیری و اعتبار مدل برای موفقیت پروژه بسیار مهم خواهد بود.
- ادغام (اینتگراسیون) با سیستمهای موجود: ادغام پلتفرم مبتنی بر هوش مصنوعی و یادگیری ماشین با پایپلاینهای تحقیقاتی ژندرمانی و دارودرمانی هدفمند موجود و مطالعات بالینی در حال انجام ممکن است چالش برانگیز باشد. غلبه بر مشکلات سازگاری و ترویج پذیرش پلتفرم در میان محققان و پزشکان برای موفقیت پروژه بسیار مهم خواهد بود.
معیارهای ارزیابی و انتخاب مجری:
- متخصص در زمینه توسعه الگوریتم و هوش مصنوعی
- آگاه و متخصص در حوزه زیستفناوری و داروسازی
- آگاه به طراحی و انجام آزمایشهای in-vitro و in-vivo مورد نیاز
- مسلط به روندهای سیستماتیک بررسی متون علمی
- دارای روحیه مبتکر، خلاق و علاقمند به نوآوری و کارآفرینی
- مالکیت معنوی: مجری در مالکیت معنوی ناشی از اجرای تحقیق سهیم خواهد بود و انتشار مقاله مشترک توسط مجری و متقاضی در ژورنالهای داخلی و خارجی، ارائه مقاله در کنفرانسها و سمینارها با موافقت و اشاره به نام همه دستاندرکاران مجاز خواهد بود.
- مالکیت منافع مادی: با توجه به مدل کسبوکار شرکت متقاضی، منافع مالی ناشی از توسعه این فناوری تماماً متعلق به شرکت متقاضی بوده و مجری صرفاً حقالزحمه اجرای پروژه تحقیقاتی را دریافت خواهد کرد.
شماره تماس:
021-88486852
09025555471
اینستاگرام:
iran.challenges@