الذكاء الاصطناعي في اكتشاف الأدوية: تسريع العصر القادم للطب

يمثل اكتشاف دواء جديد عملية تتطلب في المتوسط 10-15 عامًا واستثمارات تتجاوز 2.6 مليار دولار، مع نسبة نجاح منخفضة للغاية.

الذكاء الاصطناعي في اكتشاف الأدوية: تسريع العصر القادم للطب

في عالم يتسارع فيه التقدم العلمي بوتيرة غير مسبوقة، يقف اكتشاف الأدوية على أعتاب ثورة حقيقية مدفوعة بالذكاء الاصطناعي. لطالما كان تطوير أدوية جديدة عملية معقدة، مكلفة، وتستغرق وقتًا طويلاً، وغالبًا ما تكون محفوفة بالمخاطر وعدم اليقين. لكن بفضل التطورات الهائلة في مجالات علوم البيانات، التعلم الآلي، والذكاء الاصطناعي، أصبح من الممكن الآن تسريع هذه العملية بشكل كبير، وفتح آفاق جديدة لعلاج الأمراض المستعصية وتحسين صحة الإنسان على نطاق عالمي. إن التحول الذي يشهده هذا القطاع ليس مجرد تحسين تدريجي، بل هو إعادة تعريف جذرية لكيفية البحث عن علاجات جديدة، بدءًا من فهم الأمراض على المستوى الجزيئي وصولًا إلى تصميم مركبات دوائية فعالة وآمنة.

تتجاوز قدرات الذكاء الاصطناعي مجرد معالجة البيانات الضخمة؛ فهو يمتلك القدرة على التعرف على الأنماط المعقدة، التنبؤ بالسلوك الجزيئي، وحتى توليد تصميمات جزيئية مبتكرة لم تكن لتخطر على بال البشر. هذا يترجم إلى اختصار كبير في الوقت اللازم لتحديد الأهداف الدوائية المحتملة، وفحص ملايين المركبات الكيميائية، والتنبؤ بفعاليتها وسميتها المحتملة. مع تزايد الاهتمام بالأمراض النادرة والأمراض التي لا يوجد لها علاج فعال حاليًا، فإن استخدام الذكاء الاصطناعي لم يعد رفاهية، بل ضرورة ملحة لدفع عجلة الابتكار الطبي.

الفرص التي يفتحها الذكاء الاصطناعي

تتجسد الفرص التي يتيحها الذكاء الاصطناعي في اكتشاف الأدوية عبر عدة مسارات رئيسية. أولاً، يساهم في فهم أعمق للبيولوجيا المرضية للأمراض، مما يسمح بتحديد أهداف دوائية أكثر دقة. ثانيًا، يسرع عملية البحث عن المركبات الواعدة من خلال تحليل قواعد بيانات هائلة للمركبات الكيميائية والجزيئات الحيوية. ثالثًا، يحسن من عملية تحسين المركبات الموجودة لزيادة فعاليتها وتقليل آثارها الجانبية. وأخيرًا، يلعب دورًا حاسمًا في تصميم التجارب السريرية وتحسين فرص نجاحها من خلال تحديد مجموعات المرضى الأكثر استجابة للعلاج.

تحديات اكتشاف الأدوية التقليدي

عملية اكتشاف وتطوير الأدوية التقليدية هي رحلة شاقة ومليئة بالعقبات. تبدأ هذه العملية بفهم آليات المرض على المستوى الجزيئي، وهي خطوة قد تستغرق سنوات من البحث البيولوجي والكيميائي. بعد تحديد هدف علاجي محتمل، تبدأ مرحلة البحث عن مركبات قادرة على التفاعل مع هذا الهدف. يتم فحص ملايين المركبات، إما عن طريق التجارب المخبرية المكثفة أو من خلال نماذج حاسوبية محدودة. غالبًا ما تكون هذه المرحلة بطيئة وغير فعالة، حيث يتم استبعاد الغالبية العظمى من المركبات المرشحة.

إذا تم العثور على مركب واعد، تبدأ مرحلة تحسينه لزيادة فعاليته وتقليل سميته. هذه العملية، المعروفة باسم "الكيمياء الطبية"، هي فن وعلم في آن واحد، وتتطلب خبرة كبيرة وإعادة تصميم متكررة للجزيئات. بعد ذلك، يخضع المركب لتقييمات صارمة في المختبر وعلى الحيوانات للتأكد من سلامته وفعاليته الأولية. حتى إذا اجتازت هذه المراحل بنجاح، فإن الانتقال إلى التجارب السريرية على البشر هو التحدي الأكبر.

نسبة الفشل العالية والتكاليف الباهظة

إن أبرز التحديات التي تواجه اكتشاف الأدوية التقليدي هو نسبة الفشل العالية. تشير الإحصاءات إلى أن أقل من 10% من الأدوية التي تدخل التجارب السريرية تصل في النهاية إلى السوق. هذه النسبة المنخفضة تعني أن مليارات الدولارات تُنفق سنويًا على أبحاث لا تؤدي إلى منتجات ناجحة. غالبًا ما تفشل الأدوية في مراحل التجارب السريرية المتأخرة بسبب عدم الفعالية أو الآثار الجانبية غير المتوقعة، حتى بعد اجتيازها للمراحل المبكرة بنجاح. هذه المخاطر العالية تزيد من التكاليف بشكل كبير، حيث يجب تعويض خسائر الأدوية الفاشلة من خلال أرباح الأدوية الناجحة، مما يؤدي إلى ارتفاع أسعار الأدوية المتاحة للمرضى.

صعوبة التعامل مع البيانات البيولوجية المعقدة

يولد مجال البيولوجيا الحديث كميات هائلة من البيانات، بما في ذلك البيانات الجينومية، البروتينية، والميتابولومية، بالإضافة إلى بيانات التصوير الطبي والسجلات الصحية الإلكترونية. فهم العلاقات المعقدة بين هذه البيانات وتأثيرها على تطور الأمراض يمثل تحديًا هائلاً للعقول البشرية وحدها. يمكن للأنظمة التقليدية المعتمدة على التحليل اليدوي أو الأدوات الإحصائية الأساسية أن تواجه صعوبة في استخلاص الأنماط والرؤى الدقيقة من هذه البيئات المعقدة والمتغيرة باستمرار. هذا القصور في فهم تعقيدات الأنظمة البيولوجية يمكن أن يؤدي إلى تحديد أهداف دوائية غير صحيحة أو تصميم مركبات ذات فعالية محدودة.

دور الذكاء الاصطناعي في التحول

يُحدث الذكاء الاصطناعي تحولًا جذريًا في كيفية اكتشاف وتطوير الأدوية من خلال قدرته على معالجة وتحليل كميات هائلة من البيانات المعقدة بسرعة ودقة فائقة. بدلًا من الاعتماد بشكل كبير على التجارب المخبرية المكلفة والطويلة، يمكن لخوارزميات الذكاء الاصطناعي، وخاصة التعلم الآلي والتعلم العميق، التعرف على أنماط وعلاقات لم تكن واضحة سابقًا في البيانات البيولوجية والكيميائية. هذا يتيح للباحثين اتخاذ قرارات مستنيرة وتقليل مسارات البحث غير الواعدة في مراحل مبكرة، مما يوفر الوقت والموارد.

تتمثل إحدى المساهمات الرئيسية للذكاء الاصطناعي في تسريع تحديد الأهداف الدوائية. من خلال تحليل البيانات الجينومية والبروتينية، يمكن للنماذج المدربة تحديد الجينات أو البروتينات التي تلعب دورًا حاسمًا في تطور مرض معين. هذا يفتح الباب أمام تطوير علاجات مستهدفة بدقة أكبر. علاوة على ذلك، يمكن للذكاء الاصطناعي التنبؤ بكيفية تفاعل الجزيئات مع هذه الأهداف، مما يقلل من الحاجة إلى فحص آلاف المركبات بشكل تجريبي.

تحسين سرعة ودقة البحث عن المركبات

في مرحلة البحث عن المركبات الواعدة، يوفر الذكاء الاصطناعي أدوات قوية لتسريع العملية بشكل كبير. بدلاً من فحص مئات الآلاف أو حتى الملايين من المركبات باستخدام تقنيات الفحص عالي الإنتاجية (HTS) التي تستغرق وقتًا طويلاً، يمكن لنماذج التعلم الآلي التنبؤ بالمركبات التي من المرجح أن تكون فعالة ضد هدف دوائي معين. تستخدم هذه النماذج بيانات من المركبات المعروفة، هياكلها الكيميائية، وخصائصها البيولوجية للتنبؤ بفعالية المركبات الجديدة المحتملة. هذا النهج، المعروف باسم "الفحص الافتراضي" (Virtual Screening)، يقلل بشكل كبير من عدد المركبات التي تحتاج إلى اختبار مخبري فعلي، مما يوفر الوقت والموارد.

بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي أن يساهم في "تصميم الأدوية من البداية" (De Novo Drug Design). باستخدام تقنيات مثل الشبكات العصبية التوليدية (GANs) أو الشبكات العصبية المتكررة (RNNs)، يمكن للنماذج توليد هياكل جزيئية جديدة تمامًا مصممة خصيصًا لتناسب هدفًا دوائيًا معينًا، مع خصائص محسنة مثل القوة، الانتقائية، والخصائص الدوائية (Pharmacokinetics). هذا يفتح الباب أمام اكتشاف مركبات مبتكرة قد لا يتم العثور عليها بالطرق التقليدية.

تحسين التنبؤ بالسمية والفعالية

تُعد مشكلة السمية أحد الأسباب الرئيسية لفشل الأدوية في مراحل التطوير المتقدمة. تقليديًا، يتم تقييم سمية المركبات من خلال تجارب حيوانية مكثفة، وهي عملية مكلفة، وتستغرق وقتًا طويلاً، وتثير قضايا أخلاقية. يمكن للذكاء الاصطناعي، من خلال تحليل كميات كبيرة من البيانات المتعلقة بالمركبات ذات السمية المعروفة، بناء نماذج تنبؤية دقيقة لتقييم السمية المحتملة للمركبات الجديدة في مراحل مبكرة جدًا. هذا يسمح للباحثين بتجنب المركبات التي من المرجح أن تكون سامة، والتركيز على المركبات الأكثر أمانًا.

وبالمثل، فإن التنبؤ بفعالية الدواء أمر حيوي. يمكن لنماذج التعلم الآلي تحليل البيانات من التجارب السريرية السابقة، والبيانات الجينومية للمرضى، والمعلومات البيولوجية لتحديد المؤشرات الحيوية (Biomarkers) التي قد تتنبأ باستجابة المريض للعلاج. هذا لا يساعد فقط في اختيار المرضى المناسبين للتجارب السريرية، بل يمهد الطريق أيضًا للطب الدقيق، حيث يتم تصميم العلاج ليناسب خصائص المريض الفردية. إن القدرة على التنبؤ بالفعالية والسمية بدقة أكبر في وقت مبكر تقلل بشكل كبير من مخاطر الفشل في المراحل المتأخرة، وتوفر موارد ثمينة.

تقنيات الذكاء الاصطناعي الرئيسية

تعتمد الثورة في اكتشاف الأدوية المدعومة بالذكاء الاصطناعي على مجموعة متنوعة من التقنيات المتقدمة، أبرزها تقنيات التعلم الآلي والتعلم العميق. تستطيع هذه التقنيات التعلم من البيانات وتحديد الأنماط المعقدة، مما يجعلها أدوات لا تقدر بثمن في تحليل البيانات البيولوجية والكيميائية الضخمة.

التعلم الآلي (Machine Learning)

يشمل التعلم الآلي مجموعة واسعة من الخوارزميات التي تمكن الأنظمة من التعلم من البيانات دون أن تتم برمجتها بشكل صريح. في سياق اكتشاف الأدوية، تُستخدم تقنيات مثل الانحدار (Regression)، التصنيف (Classification)، والتجميع (Clustering) لتحليل البيانات. على سبيل المثال، يمكن استخدام نماذج الانحدار للتنبؤ بفعالية مركب معين ضد هدف دوائي، بينما يمكن استخدام نماذج التصنيف لتصنيف المركبات إلى فئات مثل "نشط" أو "غير نشط". تُستخدم خوارزميات مثل آلات المتجهات الداعمة (Support Vector Machines - SVM) وأشجار القرار (Decision Trees) بشكل شائع لهذه الأغراض.

تقنية أخرى هامة هي "التعلم الآلي المعتمد على الرسم البياني" (Graph-based Machine Learning)، حيث يتم تمثيل الجزيئات أو البروتينات كرسوم بيانية، مما يسمح بتحليل العلاقات الهيكلية والمعلوماتية المعقدة. هذا مفيد بشكل خاص في فهم كيفية تفاعل الجزيئات مع بعضها البعض وتأثيرها على المسارات البيولوجية.

التعلم العميق (Deep Learning)

يمثل التعلم العميق، وهو فرع من التعلم الآلي يعتمد على الشبكات العصبية الاصطناعية متعددة الطبقات، نقلة نوعية في تحليل البيانات المعقدة. تتميز الشبكات العصبية العميقة بقدرتها على استخلاص الميزات تلقائيًا من البيانات، مما يقلل من الحاجة إلى هندسة الميزات اليدوية. في اكتشاف الأدوية، تُستخدم تقنيات التعلم العميق على نطاق واسع في:

• معالجة اللغات الطبيعية (NLP): لتحليل النصوص العلمية، براءات الاختراع، والسجلات الطبية لاستخلاص معلومات ذات صلة.
• الرؤية الحاسوبية: لتحليل الصور الطبية، صور الخلايا، وهياكل الجزيئات ثلاثية الأبعاد.
• الشبكات العصبية الالتفافية (CNNs): فعالة في تحليل البيانات الشبيهة بالصور، مثل هياكل الجزيئات أو صور الفحص المجهري.
• الشبكات العصبية المتكررة (RNNs) والشبكات التحويلية (Transformers): مناسبة لتحليل البيانات المتسلسلة، مثل تسلسلات الحمض النووي أو البروتينات، وكذلك لتوليد تسلسلات جزيئية جديدة.

النماذج التوليدية (Generative Models)

تُعد النماذج التوليدية، مثل الشبكات العصبية التوليدية (GANs) والمشفرات التلقائية المتغيرة (Variational Autoencoders - VAEs)، من أحدث التقنيات وأكثرها إثارة للاهتمام في مجال اكتشاف الأدوية. لا تقتصر هذه النماذج على تحليل البيانات الموجودة، بل لديها القدرة على "إنشاء" بيانات جديدة. في سياق اكتشاف الأدوية، يمكن لهذه النماذج توليد هياكل جزيئية جديدة لم تكن موجودة من قبل، تكون محسنة لتناسب خصائص معينة، مثل الارتباط بهدف معين، أو الذوبان في الماء، أو عبور الحاجز الدموي الدماغي.

يُمكن استخدام هذه التقنيات في تصميم أدوية مبتكرة من الألف إلى الياء. فبدلاً من البحث في مستودعات المركبات الموجودة، يمكن للنماذج التوليدية إنشاء مكتبات ضخمة من المركبات المرشحة المحتملة، والتي يمكن بعد ذلك تصفيتها واختبارها. هذه القدرة على الابتكار الجزيئي هي التي تعد بتسريع اكتشاف علاجات لم يسبق لها مثيل.

دراسات حالة وتطبيقات عملية

بدأت العديد من شركات الأدوية الناشئة والكبرى في تسخير قوة الذكاء الاصطناعي لتسريع اكتشاف الأدوية. وقد أدت هذه الجهود إلى ظهور نتائج ملموسة، بما في ذلك تحديد أهداف دوائية جديدة، واكتشاف مركبات مرشحة، وحتى وصول بعض الأدوية التي تم تطويرها بالذكاء الاصطناعي إلى مراحل متقدمة من التجارب السريرية.

اكتشاف الأدوية المضادة للسرطان والأمراض المعدية

في مجال الأدوية المضادة للسرطان، ساعد الذكاء الاصطناعي في تحديد أهداف دوائية جديدة تستهدف آليات معقدة لنمو الخلايا السرطانية. على سبيل المثال، تستخدم شركات مثل "Exscientia" الذكاء الاصطناعي لتصميم جزيئات جديدة تستهدف مسارات بيولوجية محددة بدقة. وقد نجحت هذه الشركة في تطوير مركب مرشح لعلاج اضطرابات المناعة الذاتية، والذي دخل التجارب السريرية بسرعة قياسية.

كما أثبت الذكاء الاصطناعي فعاليته في الاستجابة للأزمات الصحية العالمية، مثل جائحة كوفيد-19. قامت العديد من الفرق البحثية بتطبيق نماذج الذكاء الاصطناعي لتسريع اكتشاف الأدوية المضادة للفيروسات، وتحليل البروتينات الفيروسية، وحتى التنبؤ بسلوك المتحورات الجديدة. على سبيل المثال، استخدمت شركة "BenevolentAI" منصتها للذكاء الاصطناعي لتحديد دواء موجود يمكن إعادة توظيفه لعلاج كوفيد-19، وهو ما تم إثباته لاحقًا.

تطبيقات في الأمراض النادرة والطب الشخصي

تُعد الأمراض النادرة تحديًا كبيرًا لاكتشاف الأدوية، نظرًا لقلة عدد المرضى وصعوبة جمع البيانات الكافية. ومع ذلك، فإن قدرة الذكاء الاصطناعي على تحليل البيانات من مصادر متنوعة، بما في ذلك السجلات الطبية، والأبحاث المنشورة، والبيانات الجينومية، تمكن من تحديد أهداف دوائية محتملة وتصميم علاجات فعالة لهذه الأمراض. شركات مثل "Recursion Pharmaceuticals" تستخدم الذكاء الاصطناعي لفهم مسارات الأمراض النادرة على المستوى الخلوي، مما يؤدي إلى اكتشاف علاجات جديدة.

يلعب الذكاء الاصطناعي أيضًا دورًا محوريًا في دفع عجلة الطب الشخصي. من خلال تحليل البيانات الجينومية والسريرية للمرضى الأفراد، يمكن لنماذج الذكاء الاصطناعي التنبؤ بأفضل علاج لكل مريض، وتحديد الجرعة المثلى، وتقليل مخاطر الآثار الجانبية. هذا النهج المخصص للعلاج يعد بتحسين النتائج السريرية بشكل كبير وزيادة كفاءة النظام الصحي. على سبيل المثال، يمكن استخدام الذكاء الاصطناعي لتحديد المرضى الذين من المرجح أن يستجيبوا لعلاج مناعي معين بناءً على ملفهم الجيني.

التحديات والاعتبارات المستقبلية

على الرغم من الإمكانيات الهائلة للذكاء الاصطناعي في اكتشاف الأدوية، إلا أن هناك تحديات كبيرة يجب التغلب عليها لضمان استخدامه بشكل فعال ومسؤول. تتضمن هذه التحديات جودة البيانات، الحاجة إلى تفسير النماذج، والاعتبارات التنظيمية والأخلاقية.

جودة البيانات وتفسير النماذج

تعتمد نماذج الذكاء الاصطناعي، وخاصة التعلم العميق، بشكل كبير على جودة وكمية البيانات التي يتم تدريبها عليها. البيانات غير الدقيقة، غير الكاملة، أو المتحيزة يمكن أن تؤدي إلى نماذج غير دقيقة أو مضللة. لذلك، فإن ضمان جمع بيانات عالية الجودة، وتوحيدها، وتنظيمها بشكل فعال هو أمر بالغ الأهمية. هذا يتطلب استثمارات كبيرة في البنية التحتية للبيانات والخبرات اللازمة لإدارتها.

تحدٍ آخر هو "مشكلة الصندوق الأسود" (Black Box Problem) في نماذج التعلم العميق. غالبًا ما تكون هذه النماذج معقدة للغاية، مما يجعل من الصعب فهم كيفية وصولها إلى قراراتها. في مجال طبي حساس مثل اكتشاف الأدوية، يعد فهم سبب تنبؤ نموذج معين بفعالية أو سمية دواء ما أمرًا ضروريًا للموافقة عليه. هناك جهود مستمرة لتطوير تقنيات "الذكاء الاصطناعي القابل للتفسير" (Explainable AI - XAI) التي توفر رؤى حول منطق عمل النماذج، مما يعزز الثقة بها ويسهل عملية التحقق من صحتها.

الاعتبارات التنظيمية والأخلاقية

يمثل إدخال الأدوية المطورة بالذكاء الاصطناعي تحديات تنظيمية جديدة. تحتاج الهيئات التنظيمية، مثل إدارة الغذاء والدواء الأمريكية (FDA) والوكالة الأوروبية للأدوية (EMA)، إلى تطوير أطر عمل لتقييم هذه الأدوية، مع الأخذ في الاعتبار الطرق المبتكرة التي تم بها اكتشافها وتطويرها. يتطلب هذا تعاونًا وثيقًا بين المطورين والمنظمين لضمان سلامة وفعالية الأدوية الجديدة.

تثار أيضًا قضايا أخلاقية مهمة، مثل مسؤولية الأخطاء، خصوصية بيانات المرضى، والوصول العادل إلى الأدوية المبتكرة. مع تزايد استخدام الذكاء الاصطناعي، يجب وضع مبادئ توجيهية واضحة لضمان استخدامه بطريقة مسؤولة وأخلاقية، بما يحمي حقوق المرضى ويعزز الابتكار بشكل عادل. هناك حاجة ماسة إلى نقاش مجتمعي مستمر حول هذه القضايا لضمان أن التكنولوجيا تخدم الصالح العام.

مستقبل التعاون بين الإنسان والذكاء الاصطناعي

إن مستقبل اكتشاف الأدوية لا يكمن في استبدال البشر بالذكاء الاصطناعي، بل في تعزيز قدراتهم. ستتطور أدوات الذكاء الاصطناعي لتصبح مساعدين أقوياء للعلماء، مما يسمح لهم بالتركيز على المهام الأكثر إبداعًا واستراتيجية. سيمكن العلماء من طرح أسئلة أكثر تعقيدًا، واستكشاف فرضيات جديدة، وتسريع عملية الابتكار.

يتطلب هذا مستقبلًا يتسم بالتعاون الوثيق بين الخبرة البشرية وقوة المعالجة التحليلية للذكاء الاصطناعي. سيظل الحدس البشري، الإبداع، والفهم العميق للسياق البيولوجي أمرًا أساسيًا. سيتم دمج الذكاء الاصطناعي في سير العمل البحثي بطرق تجعله أداة لا غنى عنها، مما يمكّن العلماء من تحقيق اكتشافات لم تكن ممكنة في الماضي. يمكن لهذا التعاون أن يؤدي إلى تطوير علاجات أكثر فعالية وأمانًا وبسرعة أكبر، مما يعود بالنفع على ملايين المرضى حول العالم.

تُعد الشراكات بين شركات التكنولوجيا، شركات الأدوية، والمؤسسات الأكاديمية ضرورية لدفع هذا المجال إلى الأمام. من خلال تبادل المعرفة والخبرات، يمكننا تسريع وتيرة الابتكار وحل التحديات المعقدة التي تواجه اكتشاف الأدوية.

الخلاصة: رؤية لمستقبل الطب

إن الذكاء الاصطناعي ليس مجرد تقنية جديدة في ترسانة اكتشاف الأدوية؛ بل هو قوة تحويلية تعيد تشكيل المشهد بأكمله. من خلال تسريع وتيرة الاكتشاف، تحسين الدقة، وتقليل التكاليف، يفتح الذكاء الاصطناعي الباب أمام عصر جديد من الطب، حيث يمكن تطوير علاجات فعالة للأمراض التي لم يكن لها علاج سابقًا، وتوفير رعاية صحية أكثر تخصيصًا وفعالية لكل فرد.

إن الاستثمارات المتزايدة في هذا المجال، جنبًا إلى جنب مع التقدم المستمر في خوارزميات الذكاء الاصطناعي وقوة الحوسبة، تشير إلى مستقبل واعد. بينما لا تزال هناك تحديات يجب التغلب عليها، فإن الإمكانات الهائلة للذكاء الاصطناعي في تحسين صحة الإنسان لا يمكن إنكارها. إننا نقف على أعتاب مرحلة جديدة، حيث يمكن للذكاء الاصطناعي أن يكون مفتاحًا لحل بعض أكبر التحديات الصحية التي تواجه البشرية.

تُعد هذه الرحلة نحو مستقبل الطب المدعوم بالذكاء الاصطناعي مثيرة ومليئة بالوعود. مع استمرار تطور التكنولوجيا، يمكننا توقع رؤية تحسينات كبيرة في علاج الأمراض، وتقديم رعاية صحية أفضل وأكثر كفاءة للمجتمعات في جميع أنحاء العالم.

لمزيد من المعلومات حول التقدم في هذا المجال، يمكنك الاطلاع على:

• Reuters - AI drug discovery poised to transform medicine
• Wikipedia - Drug discovery
• Nature - The role of artificial intelligence in drug discovery