فرآیند کشف و توسعه دارو، مسیری طولانی، پرهزینه و سرشار از عدم قطعیت است. یکی از بزرگترین چالش‌ها در این مسیر، مدیریت و تحلیل حجم عظیمی از اطلاعات است که روزانه در قالب مقالات علمی، پتنت‌ها و گزارش‌های بالینی منتشر می‌شود. این داده‌ها که عمدتاً به صورت متن غیرساختاریافته هستند، گنجینه‌ای از دانش بالقوه در مورد بیماری‌ها، ژن‌ها، ترکیبات شیمیایی و فعل و انفعالات آن‌ها را در خود جای داده‌اند. بهره‌برداری مؤثر از این دانش می‌تواند به شناسایی اهداف دارویی جدید، بازطراحی داروهای موجود و پیش‌بینی عوارض جانبی کمک شایانی کند.

در اینجاست که دو فناوری پیشرفته، یعنی گراف‌های دانش (Knowledge Graphs – KGs) و پردازش زبان طبیعی (Natural Language Processing – NLP)، وارد میدان می‌شوند. گراف‌های دانش روشی قدرتمند برای نمایش و اتصال داده‌های ناهمگون از منابع مختلف هستند و پردازش زبان طبیعی، ابزاری است که به ماشین‌ها امکان درک و استخراج اطلاعات از زبان انسان را می‌دهد. مقاله “پردازش زبان طبیعی برای گراف‌های دانش کشف دارو: نویدها و کاستی‌ها” به قلم جی. چارلز جی. جینز و همکارانش، به بررسی عمیق هم‌افزایی این دو حوزه می‌پردازد. اهمیت این مقاله در آن است که نگاهی واقع‌بینانه و منتقدانه به این فناوری نوین دارد و ضمن برجسته کردن پتانسیل‌های شگرف آن، چالش‌ها و خطرات عملیاتی را نیز با دقت موشکافی می‌کند. این مقاله راهنمایی ارزشمند برای محققان و شرکت‌های داروسازی است که قصد دارند از هوش مصنوعی برای تسریع فرآیند کشف دارو بهره ببرند.

این مقاله توسط تیمی از متخصصان حوزه علوم محاسباتی و زبان‌شناسی به نگارش درآمده است: جی. چارلز جی. جینز (J. Charles G. Jeynes)، تیم جیمز (Tim James) و متیو کورنی (Matthew Corney). تخصص این نویسندگان که در زمینه محاسبات و زبان (Computation and Language) دسته‌بندی شده، نشان‌دهنده تسلط آن‌ها بر هر دو جنبه فنی NLP و کاربرد آن در حوزه‌های علمی پیچیده است. مقاله بر اساس تجربیات عملی نویسندگان در ساخت یک گراف دانش برای کشف دارو شکل گرفته است. آن‌ها ابتدا با استفاده از پایگاه‌های داده ساختاریافته مانند ChEMBL یک گراف پایه ایجاد کرده و سپس تلاش کرده‌اند تا با استفاده از تکنیک‌های NLP و استخراج اطلاعات از متون علمی، این گراف را غنی‌سازی و گسترش دهند. این رویکرد عملی به مقاله اعتباری دوچندان می‌بخشد، زیرا چالش‌های مطرح‌شده صرفاً نظری نیستند، بلکه موانعی هستند که نویسندگان خود با آن‌ها دست و پنجه نرم کرده‌اند.

مقاله حاضر به بررسی پتانسیل‌ها و محدودیت‌های استفاده از پردازش زبان طبیعی (NLP) برای استخراج داده از متون علمی غیرساختاریافته و تزریق آن به گراف‌های دانش (KGs) در حوزه کشف دارو می‌پردازد. گراف‌های دانش به دلیل توانایی در یکپارچه‌سازی منابع داده‌ای گوناگون و تسهیل کشف روابط پنهان، به ابزاری کلیدی در تحقیقات دارویی، به‌ویژه در زمینه بازطراحی دارو (Drug Repurposing)، تبدیل شده‌اند.

نوید اصلی NLP در این زمینه، خودکارسازی فرآیند استخراج دانش از میلیون‌ها سند علمی است؛ کاری که انجام آن توسط انسان عملاً غیرممکن است. این فناوری می‌تواند روابط بین داروها، ژن‌ها، بیماری‌ها و پروتئین‌ها را که در دل مقالات علمی پنهان شده‌اند، استخراج و به صورت ساختاریافته در یک گراف دانش سازماندهی کند. با این حال، نویسندگان هشدار می‌دهند که این مسیر خالی از چالش نیست. کاستی‌ها و دام‌های بالقوه متعددی در این فرآیند وجود دارد، از جمله خطا در بازشناسی موجودیت‌های نام‌دار (Named Entity Recognition)، ابهام در پیوند دادن مفاهیم به هستی‌شناسی‌های استاندارد (Ontology Linking) و استخراج نادرست روابط. این خطاها می‌توانند در گراف دانش منتشر شده و در نهایت منجر به استنتاج‌ها و نتایج علمی نادرست شوند که پیامدهای جدی در پی خواهد داشت. مقاله با ارائه یک دیدگاه متعادل، بر ضرورت درک عمیق این چالش‌ها و توسعه راهکارهایی برای کاهش آن‌ها تأکید می‌کند.

این مقاله یک پژوهش تجربی نیست، بلکه یک مقاله مروری و تحلیلی (Review and Perspective) است که بر پایه تجربیات عملی و دانش عمیق نویسندگان در این حوزه شکل گرفته است. روش‌شناسی آن‌ها را می‌توان در چند مرحله خلاصه کرد:

• بنا نهادن گراف پایه: نویسندگان شرح می‌دهند که نقطه شروع بسیاری از پروژه‌ها، ساخت یک گراف دانش اولیه با استفاده از پایگاه‌های داده ساختاریافته و معتبر مانند ChEMBL (برای ترکیبات شیمیایی و فعالیت‌های بیولوژیکی)، UniProt (برای پروتئین‌ها) و Gene Ontology (برای کارکردهای ژنی) است. این داده‌های تمیز و ساختاریافته، اسکلت اصلی گراف را تشکیل می‌دهند.
• غنی‌سازی با NLP: مرحله بعدی، استفاده از یک خط لوله (Pipeline) پردازش زبان طبیعی برای خواندن متون علمی (مثلاً چکیده مقالات PubMed) و استخراج اطلاعات جدید برای غنی‌سازی گراف است. این خط لوله معمولاً شامل مراحل زیر است:
  • بازشناسی موجودیت‌های نام‌دار (NER): شناسایی و برچسب‌گذاری مفاهیم کلیدی مانند نام داروها، ژن‌ها، بیماری‌ها و پروتئین‌ها در متن.
  • استخراج روابط (Relation Extraction): تشخیص روابط بین موجودیت‌های شناسایی‌شده. برای مثال، تشخیص اینکه متن بیانگر “مهار کردن” پروتئین X توسط داروی Y است.
  • پیوند به هستی‌شناسی (Ontology Linking/Entity Disambiguation): اتصال موجودیت‌های استخراج‌شده به شناسه‌های منحصربه‌فرد در پایگاه‌های دانش استاندارد. این مرحله برای جلوگیری از ابهام (مثلاً تفکیک ژن p53 از پروتئین p53) حیاتی است.
• تحلیل نویدها و کاستی‌ها: نویسندگان با تکیه بر تجربه خود، هر یک از مراحل فوق را تحلیل کرده و به تفصیل توضیح می‌دهają که در هر مرحله چه فرصت‌ها و چه چالش‌هایی نهفته است. آن‌ها مثال‌های مشخصی از خطاهای رایج و تأثیر آن‌ها بر کیفیت نهایی گراف دانش ارائه می‌دهند.

یافته‌های اصلی مقاله را می‌توان به دو دسته «نویدها» و «کاستی‌ها» تقسیم کرد که به صورت متوازن مورد بحث قرار گرفته‌اند.

نویدها (Promises)

• مقیاس‌پذیری بی‌نظیر: بزرگترین مزیت NLP، توانایی پردازش حجم عظیمی از داده‌هاست. یک سیستم خودکار می‌تواند میلیون‌ها مقاله را در زمانی کوتاه تحلیل کند و دانشی را استخراج نماید که گردآوری آن برای هزاران متخصص انسانی سال‌ها طول می‌کشد.
• کشف دانش پنهان و غیرمنتظره: گراف‌های دانش غنی‌شده با NLP می‌توانند ارتباطات غیربدیهی بین مفاهیم مختلف را آشکار سازند. برای مثال، ممکن است یک ارتباط بین یک داروی درمان دیابت و یک مسیر سیگنالینگ سلولی مرتبط با سرطان کشف شود که می‌تواند سرنخی برای بازطراحی آن دارو باشد.
• افزایش جامعیت و عمق دانش: پایگاه‌های داده ساختاریافته اغلب اطلاعات محدودی را ثبت می‌کنند. متون علمی حاوی جزئیات مهمی مانند دوز مصرفی، شرایط آزمایش، نتایج منفی و مشاهدات جانبی هستند که NLP می‌تواند آن‌ها را استخراج کرده و به گراف دانش بیفزاید و آن را به منبعی بسیار غنی‌تر تبدیل کند.

کاستی‌ها (Pitfalls)

• ابهام و پیچیدگی زبان علمی: زبان علمی سرشار از کلمات اختصاری، مترادف‌ها و مفاهیم چندمعنایی است. برای مثال، “EGFR” می‌تواند به ژن یا پروتئین آن اشاره داشته باشد. مدل‌های NLP اغلب در ابهام‌زدایی این موارد دچار مشکل می‌شوند.
• خطا در بازشناسی موجودیت‌ها (NER Errors): مدل‌ها ممکن است یک موجودیت را به اشتباه طبقه‌بندی کنند (مثلاً یک پروتئین را به عنوان یک ژن شناسایی کنند) یا اصلاً آن را تشخیص ندهند، به‌ویژه اگر نام جدید یا غیررایجی داشته باشد.
• استخراج روابط نادرست: تشخیص دقیق رابطه بین دو موجودیت بسیار چالش‌برانگیز است. یک مدل ممکن است به اشتباه نتیجه بگیرد که “داروی A بیماری B را درمان می‌کند”، در حالی که متن فقط گفته است “اثر داروی A بر بیماری B مورد مطالعه قرار گرفت”. این تمایز برای استنتاج علمی حیاتی است.
• انتشار و تقویت خطا (Error Propagation): این یکی از بزرگترین خطرات است. یک خطای کوچک در مراحل اولیه (مانند NER) می‌تواند به مراحل بعدی منتقل شده و در گراف دانش به عنوان یک واقعیت نادرست ثبت شود. تصمیم‌گیری بر اساس چنین داده‌های معیوبی می‌تواند به هدر رفتن منابع و حتی نتایج خطرناک منجر شود.

با وجود چالش‌ها، کاربردهای موفقیت‌آمیز این رویکرد، پتانسیل عظیم آن را نشان می‌دهد. دستاوردهای اصلی استفاده از NLP و گراف‌های دانش در کشف دارو عبارتند از:

• بازطراحی دارو: این یکی از برجسته‌ترین کاربردهاست. با شناسایی روابط جدید بین داروهای موجود و بیماری‌های دیگر، می‌توان مسیر توسعه دارو را به شدت کوتاه کرد. برای مثال، گراف دانش می‌تواند نشان دهد که یک داروی ضدالتهاب، پروتئینی را هدف قرار می‌دهد که به تازگی نقش آن در بیماری آلزایmer کشف شده است.
• شناسایی اهداف دارویی نوین (Target Identification): با تحلیل ارتباطات بین ژن‌ها، پروتئین‌ها و بیماری‌ها در مقیاس وسیع، می‌توان ژن‌ها یا پروتئین‌هایی را شناسایی کرد که نقشی کلیدی در یک بیماری ایفا می‌کنند و می‌توانند اهداف مناسبی برای داروهای جدید باشند.
• شخصی‌سازی درمان: با ادغام اطلاعات ژنتیکی بیماران، می‌توان گراف‌های دانشی ساخت که به پیش‌بینی پاسخ یک بیمار خاص به یک داروی معین کمک کرده و راه را برای پزشکی دقیق و شخصی‌سازی شده هموار سازند.
• پیش‌بینی سمیت و عوارض جانبی: با تحلیل الگوهای موجود در داده‌های بالینی و مقالات، می‌توان عوارض جانبی بالقوه یک داروی جدید را پیش از ورود به مراحل گران‌قیمت کارآزمایی بالینی پیش‌بینی کرد.

مقاله “پردازش زبان طبیعی برای گراف‌های دانش کشف دارو” یک جمع‌بندی هوشمندانه و واقع‌بینانه از وضعیت فعلی این حوزه ارائه می‌دهد. نویسندگان به درستی نتیجه می‌گیرند که ترکیب NLP و KGs یک ابزار فوق‌العاده قدرتمند است، اما یک راه‌حل جادویی نیست. موفقیت در استفاده از این فناوری مستلزم درک عمیق محدودیت‌ها و دام‌های آن است.

پیام نهایی مقاله این است که نباید به خروجی سیستم‌های NLP به صورت کورکورانه اعتماد کرد. لازم است مکانیسم‌هایی برای ارزیابی کیفیت داده‌ها، مدیریت عدم قطعیت و اعتبارسنجی نتایج توسط متخصصان انسانی (Human-in-the-loop) در نظر گرفته شود. آینده این حوزه به توسعه مدل‌های NLP قوی‌تر، شفاف‌تر و دقیق‌تر بستگی دارد که بتوانند پیچیدگی‌های زبان علمی را بهتر درک کنند. این مقاله با ارائه یک نقشه راه روشن از فرصت‌ها و چالش‌ها، به محققان کمک می‌کند تا با دیدی بازتر و رویکردی مؤثرتر از این فناوری نوین در جهت تسریع روند کشف داروهای نجات‌بخش بهره‌برداری کنند.