بیوانفورماتیک در کشف دارو: از داده‌کاوی زیستی تا هوش مصنوعی

مقدمه

تحقیقات دارویی در قرن بیست‌ویکم وارد مرحله‌ای شده که در آن سرعت، دقت و
داده‌محوری نقش اصلی را ایفا می‌کنند. دیگر دوران اتکا به آزمون‌وخطای طولانی برای
یافتن یک مولکول جدید به پایان رسیده است. امروز حجم عظیمی از داده‌های ژنتیکی، پروتئینی و شیمیایی
در دسترس پژوهشگران قرار دارد و اگر این داده‌ها به‌درستی تحلیل شوند، می‌توانند مسیر کشف دارو را به‌طور
چشمگیری کوتاه‌تر کنند. در همین نقطه است که
بیوانفورماتیک در کشف دارو به یک مزیت راهبردی تبدیل می‌شود.

در این میان، بیوانفورماتیک در کشف دارو به‌عنوان پیوندی قدرتمند میان زیست‌شناسی،
علم داده و فناوری اطلاعات، نقش محوری در نوآوری دارویی پیدا کرده است. به‌کارگیری الگوریتم‌های هوشمند،
مدل‌سازی مولکولی و تحلیل داده‌های زیستی باعث شده شرکت‌های داروسازی بتوانند در زمان کمتر و با هزینه
پایین‌تر، کاندیداهای دارویی مؤثرتر و دقیق‌تری را شناسایی کنند.

بیوانفورماتیک در واقع ادامه مسیر تحولاتی است که در مقاله

«راهنمای جامع نوآوری دارویی: از ایده تا تجاری‌سازی»

به آن پرداخته شده است؛ با این تفاوت که امروز، بیوانفورماتیک در کشف دارو
نه‌فقط یک ابزار کمکی، بلکه بخش جدایی‌ناپذیر از استراتژی تحقیق‌ و توسعه دارویی است.
در ادامه، به‌صورت ساختاریافته بررسی می‌کنیم که بیوانفورماتیک چیست، چگونه وارد فرآیند کشف دارو شده،
چه مزایا و چه محدودیت‌هایی دارد و در آینده چه جایگاهی در اقتصاد دارو خواهد داشت.

بیوانفورماتیک چیست و چرا در داروسازی حیاتی است؟

بیوانفورماتیک علمی میان‌رشته‌ای است که به تحلیل داده‌های زیستی با کمک ابزارهای محاسباتی می‌پردازد.
این علم داده‌های حاصل از ژنومیکس، پروتئومیکس، ترنسکریپتومیکس و متابولومیکس را پردازش کرده و از درون
آن‌ها الگوهای پنهان مرتبط با بیماری‌ها یا اهداف دارویی را استخراج می‌کند. وقتی این نگاه داده‌محور
را وارد فرآیند توسعه دارو می‌کنیم، به معنای واقعی کلمه با
بیوانفورماتیک در کشف دارو مواجه می‌شویم.

در گذشته، کشف دارو فرآیندی مبتنی بر حدس و آزمایش‌های زمان‌بر بود. پژوهشگر یک مولکول را «حدس» می‌زد، سپس
آن را سنتز می‌کرد و در آزمایشگاه و حیوانات می‌آزمود تا ببیند آیا اثر درمانی دارد یا نه. این رویکرد نه‌تنها
کند و پرهزینه بود، بلکه نرخ شکست بالایی نیز داشت. اما اکنون با استفاده از پایگاه‌های داده زیستی و ابزارهای
بیوانفورماتیک در کشف دارو، می‌توان از همان مراحل ابتدایی تحقیق، مولکول‌هایی را غربال کرد
که بیشترین احتمال اثرگذاری را دارند. این موضوع نه‌تنها بازدهی تحقیقات را افزایش داده بلکه نرخ شکست در مراحل
بالینی را نیز کاهش داده است.

برای درک بهتر جایگاه بیوانفورماتیک در صنعت دارو، مطالعه مقاله

«تحقیق‌ و توسعه در صنعت داروسازی»

توصیه می‌شود. آن‌جا می‌بینیم که چگونه بخش مهمی از هزینه و ریسک در مراحل اولیه توسعه دارو اتفاق می‌افتد و چرا
بیوانفورماتیک در کشف دارو می‌تواند این ریسک و هزینه را به شکل معناداری کاهش دهد.

داده‌کاوی زیستی؛ موتور محرک بیوانفورماتیک در کشف دارو

یکی از محورهای کلیدی بیوانفورماتیک در کشف دارو، داده‌کاوی زیستی (Biological Data Mining) است.
امروزه بانک‌های داده‌ای مانند GenBank، Protein Data Bank (PDB) و DrugBank حاوی میلیون‌ها داده ژنتیکی، ساختار
پروتئین‌ها و اطلاعات دارویی هستند. هر کدام از این پایگاه‌ها، دنیایی از الگوهای بالقوه درمانی را در خود جای داده‌اند.

با تحلیل این داده‌ها، می‌توان:

• ژن‌های دخیل در یک بیماری خاص را شناسایی کرد؛
• مسیرهای سیگنالی یا متابولیکی هدف را تشخیص داد؛
• شبکه‌های پروتئین–پروتئین را بازسازی کرد و نقاط حساس شبکه را یافت؛
• و حتی پیش‌بینی کرد که چه داروهایی می‌توانند بر این مسیرها اثرگذار باشند.

به عنوان مثال، در پژوهش‌های سرطان‌شناسی، الگوریتم‌های داده‌کاوی توانسته‌اند با بررسی داده‌های بیان ژن، اهداف دارویی
جدیدی را کشف کنند که پیش‌تر ناشناخته بودند. در اینجا، بیوانفورماتیک در کشف دارو به معنای تبدیل انبوهی از
داده خام به «فرضیه‌های قابل آزمون» است؛ فرضیه‌هایی که می‌توانند به ساخت داروهای هدفمندتر منجر شوند.

برای اینکه داده‌کاوی زیستی در عمل بتواند هزینه‌ها را کاهش دهد، لازم است نگاهی اقتصادی نیز به موضوع داشته باشیم.
مقاله

«اقتصاد دارو و ارزیابی هزینه-اثربخشی»

نشان می‌دهد که چگونه کاهش خطا در مراحل اولیه، می‌تواند بازدهی کل سرمایه‌گذاری در تحقیق‌ و توسعه را افزایش دهد.
بیوانفورماتیک در کشف دارو یکی از ابزارهای اصلی تحقق همین هدف است.

مدل‌سازی مولکولی؛ شبیه‌سازی تعامل دارو و گیرنده

پس از شناسایی هدف دارویی، گام بعدی طراحی مولکول‌هایی است که بتوانند با آن هدف (معمولاً یک پروتئین) به طور اختصاصی
برهم‌کنش کنند. در این مرحله، مدل‌سازی مولکولی (Molecular Modeling) نقش اساسی دارد و به‌طور مستقیم در
بیوانفورماتیک در کشف دارو به کار گرفته می‌شود.

با استفاده از نرم‌افزارهایی مانند AutoDock، Schrödinger، MOE و Discovery Studio، پژوهشگران می‌توانند ساختار سه‌بعدی
پروتئین‌ها و لیگاندها را شبیه‌سازی کنند. سپس به کمک روش‌هایی چون Docking و Molecular Dynamics Simulation، تعامل بین دارو
و گیرنده را از نظر انرژی اتصال، پایداری و انتخاب‌پذیری بررسی نمایند.

این فرایند که در محیط رایانه و بدون نیاز به آزمایشگاه انجام می‌شود، بخش مهمی از مفهوم طراحی داروی رایانه‌ای (Computer-Aided Drug Design) است.
در عمل، بیوانفورماتیک در کشف دارو این امکان را فراهم می‌کند که به‌جای سنتز و آزمون هزاران مولکول، ابتدا روی صفحه کامپیوتر
هزاران سناریو را امتحان کنیم و فقط بهترین گزینه‌ها را وارد آزمایشگاه کنیم.

اینجا پیوند مهمی بین بیوانفورماتیک در کشف دارو و

«تحول دیجیتال در نظام سلامت»

شکل می‌گیرد؛ زیرا در هر دو مورد، صحبت از جایگزینی بخشی از کارهای فیزیکی و پرهزینه با مدل‌سازی دیجیتال و داده‌محور است.

طراحی داروی رایانه‌ای؛ از in silico تا آزمایشگاه

اصطلاح in silico به پژوهش‌هایی اطلاق می‌شود که به‌صورت کامپیوتری انجام می‌شوند. در کشف دارو، طراحی داروی رایانه‌ای
با کمک شبیه‌سازی‌ها و مدل‌سازی‌های دقیق، مسیر توسعه دارو را از مرحله فرضیه تا مرحله آزمایشگاهی تسهیل کرده است.
در واقع، بیوانفورماتیک در کشف دارو یکی از مهم‌ترین مصادیق استفاده از روش‌های in silico در علم پزشکی است.

در این روش، ابتدا مولکول‌های بالقوه از طریق تحلیل‌های ساختاری و داده‌ای انتخاب می‌شوند، سپس با الگوریتم‌های محاسباتی
ارزیابی می‌گردند تا مواردی که بیشترین احتمال موفقیت دارند، برای سنتز و آزمایش‌های آزمایشگاهی انتخاب شوند.
این غربال‌گری هوشمند باعث می‌شود که منابع محدود آزمایشگاهی فقط صرف گزینه‌هایی شوند که از دید مدل‌های
بیوانفورماتیک در کشف دارو، بیشترین شانس را دارند.

نتیجه‌ی این رویکرد، کاهش چشمگیر هزینه‌های تحقیق و توسعه (R&D) و کوتاه‌تر شدن زمان عرضه دارو به بازار است.
اگر مقاله

«فرآیند توسعه دارو؛ مراحل، زمان و ریسک‌ها»

را کنار این بحث قرار دهیم، می‌بینیم که بخش قابل‌توجهی از زمان و هزینه این فرآیند، دقیقاً در مراحل اولیه کشف و طراحی دارو
صرف می‌شود. آنجا که بیوانفورماتیک در کشف دارو ورود می‌کند، زنجیره ارزش دارویی فشرده‌تر و کارآمدتر می‌شود.

یادگیری ماشین و هوش مصنوعی در داروسازی

در سال‌های اخیر، ورود یادگیری ماشین (Machine Learning) و هوش مصنوعی (AI) به حوزه داروسازی، قدرت
بیوانفورماتیک در کشف دارو را چندین برابر کرده است. اگر بیوانفورماتیک را به‌عنوان «زیرساخت داده‌ای» در نظر بگیریم،
یادگیری ماشین موتور تحلیلی است که روی این زیرساخت سوار می‌شود.

الگوریتم‌های یادگیری عمیق قادرند:

• ساختارهای مولکولی جدید را بر اساس داده‌های قبلی پیشنهاد دهند؛
• سمیت و فارماکوکینتیک ترکیبات را پیش‌بینی کنند؛
• هدف‌های دارویی جدید را در شبکه‌های زیستی پیچیده شناسایی کنند؛
• و حتی مسیرهای متابولیکی یک دارو را در بدن شبیه‌سازی نمایند.

نمونه‌ای از موفق‌ترین پروژه‌ها در این زمینه، استفاده از الگوریتم AlphaFold شرکت DeepMind است که توانست ساختار سه‌بعدی
هزاران پروتئین انسانی را با دقت بالا پیش‌بینی کند. این دستاورد بی‌سابقه، مسیر
بیوانفورماتیک در کشف دارو را به‌طور بنیادین متحول کرده است؛ زیرا در بسیاری از موارد، نبود ساختار سه‌بعدی دقیق
پروتئین، مانع اصلی در طراحی داروهای جدید بود.

همچنین شرکت‌های داروسازی بین‌المللی مانند Pfizer، Novartis و Roche در حال استفاده از یادگیری ماشین برای طراحی داروهای ضدسرطان،
ضدویروس و ضدالتهاب هستند. در این پروژه‌ها، بیوانفورماتیک در کشف دارو به‌عنوان زیرساخت داده‌ای مستقل دیده نمی‌شود،
بلکه در دل یک اکوسیستم بزرگ‌تر از سلامت دیجیتال،
حکمرانی داده و الگوریتم‌های هوش مصنوعی معنا پیدا می‌کند.

مزایای بیوانفورماتیک در فرآیند کشف دارو

ادغام داده‌های زیستی با فناوری‌های محاسباتی مزایای متعددی به همراه دارد. وقتی از
بیوانفورماتیک در کشف دارو صحبت می‌کنیم، در عمل از مجموعه‌ای از مزایای علمی، اقتصادی و حاکمیتی حرف می‌زنیم.

۱. کاهش زمان تحقیق و توسعه

مدل‌های in silico می‌توانند پیش‌بینی کنند کدام ترکیبات ارزش آزمایش دارند و مراحل غیرضروری را حذف کنند. این یعنی بخش قابل‌توجهی از
«زمان مرده» در آزمایشگاه حذف می‌شود. بیوانفورماتیک در کشف دارو کمک می‌کند تا از همان ابتدا مسیرهای کم‌احتمال کنار گذاشته شوند.

۲. صرفه‌جویی در هزینه‌ها

هزینه سنتز و آزمایش صدها مولکول حذف می‌شود و تنها گزینه‌های محتمل‌تر انتخاب می‌شوند. این کاهش هزینه، صرفاً یک مزیت مالی برای
شرکت‌ها نیست؛ از منظر اقتصاد دارو،
کاهش هزینه‌های R&D می‌تواند امکان قیمت‌گذاری منطقی‌تر و دسترسی گسترده‌تر بیماران به دارو را فراهم کند.
به این ترتیب، بیوانفورماتیک در کشف دارو اثر غیرمستقیم بر عدالت در سلامت نیز دارد.

۳. افزایش دقت و اثربخشی

داده‌کاوی زیستی و مدل‌سازی مولکولی باعث انتخاب هدف‌های دارویی دقیق‌تر و کاهش عوارض ناخواسته می‌شود. در واقع،
بیوانفورماتیک در کشف دارو کمک می‌کند درمان‌ها بیش از گذشته «هدفمند» شوند و به‌جای اثرگذاری گسترده و ناخواسته،
به نقاط خاصی از مسیر بیماری ضربه بزنند.

۴. امکان شخصی‌سازی درمان‌ها

با تحلیل داده‌های ژنوم بیماران، می‌توان داروهای متناسب با ویژگی ژنتیکی هر فرد یا هر زیرگروه بیمار طراحی کرد.
این حوزه که به «پزشکی شخصی‌شده» (Personalized Medicine) معروف است، به‌شدت بر
بیوانفورماتیک در کشف دارو تکیه دارد. بدون زیرساخت‌های تحلیلی مناسب، امکان تطبیق درمان‌ها با ویژگی‌های ژنتیکی
و زیستی بیماران وجود نخواهد داشت.

۵. ارتقای کیفیت تصمیم‌گیری در سطح سیاست‌گذاری

وقتی داده‌های ناشی از بیوانفورماتیک در کشف دارو با داده‌های بالینی و اقتصادی ترکیب شوند، سیاست‌گذاران نیز می‌توانند
تصمیم‌های دقیق‌تری درباره حمایت از پروژه‌های تحقیقاتی، سرمایه‌گذاری در زیرساخت‌ها و تنظیم‌گری اتخاذ کنند. مقاله

«چرخه سیاست‌گذاری در نظام سلامت»

نشان می‌دهد که چگونه داده‌های علمی می‌توانند به زبان سیاست ترجمه شوند.

چالش‌ها و محدودیت‌های بیوانفورماتیک در کشف دارو

با وجود مزایای فراوان، بیوانفورماتیک در کشف دارو با چالش‌هایی نیز روبه‌روست که هم فنی و هم حاکمیتی هستند.

نخست، حجم بالای داده‌های زیستی نیازمند زیرساخت‌های محاسباتی قدرتمند و تیم‌های متخصص در تحلیل داده است. بسیاری از کشورها و
حتی شرکت‌های کوچک دارویی، هنوز به چنین زیرساختی دسترسی ندارند. این یعنی شکاف دیجیتال، به شکاف در نوآوری دارویی تبدیل می‌شود.

دوم، کیفیت داده‌ها در پایگاه‌های عمومی همیشه قابل اعتماد نیست و خطاهای تجربی می‌تواند نتایج را منحرف کند.
اگر داده‌های ورودی ناقص یا پر از خطا باشند، خروجی بیوانفورماتیک در کشف دارو نیز منحرف خواهد شد؛
همان ضرب‌المثل معروف «آشغال داخل، آشغال خارج».

سوم، یکپارچه‌سازی داده‌ها از منابع مختلف (ژنوم، پروتئوم، متابولوم، داده‌های بالینی و حتی داده‌های دنیای واقعی) همچنان یک چالش بزرگ
در بیوانفورماتیک محسوب می‌شود. بدون یکپارچگی داده، بیوانفورماتیک در کشف دارو به مجموعه‌ای از جزایر اطلاعاتی تبدیل می‌شود
که نمی‌توانند تصویر کلان و منسجم از بیماری و درمان ارائه دهند.

این چالش‌ها تنها فنی نیستند؛ رنگ و بوی حاکمیتی هم دارند. مقاله

«حاکمیت داده در حوزه سلامت»

نشان می‌دهد که بدون قواعد روشن برای کیفیت، امنیت و اشتراک‌گذاری داده‌ها،
بیوانفورماتیک در کشف دارو نمی‌تواند ظرفیت واقعی خود را آزاد کند.

با این حال، پیشرفت فناوری‌های ابررایانش (Cloud Computing)، یادگیری عمیق و هوش مصنوعی توضیح‌پذیر (Explainable AI)
در حال کاهش تدریجی این محدودیت‌هاست. به‌تدریج، ابزارهای ابری و پلتفرم‌های تحلیلی، دسترسی به
بیوانفورماتیک در کشف دارو را دموکراتیک‌تر می‌کنند؛ یعنی نه‌تنها در اختیار شرکت‌های بزرگ، بلکه در دسترس استارتاپ‌ها و مراکز
تحقیقاتی کوچک نیز قرار خواهد گرفت.

آینده بیوانفورماتیک در نوآوری دارویی

با گسترش علم داده و افزایش توان محاسباتی،
بیوانفورماتیک در کشف دارو به ستون فقرات تحقیق و توسعه دارویی تبدیل خواهد شد.
در آینده نزدیک، مدل‌های ترکیبی که داده‌های زیستی، تصویربرداری مولکولی و داده‌های بالینی را با هم ادغام می‌کنند،
قادر خواهند بود پیش‌بینی کنند که یک دارو در بدن انسان دقیقاً چگونه رفتار خواهد کرد.

همچنین توسعه پلتفرم‌های Drug Discovery as a Service (DDaaS) به شرکت‌های کوچک داروسازی اجازه می‌دهد بدون داشتن
آزمایشگاه‌های بزرگ، از طریق ابزارهای ابری به تحلیل‌های بیوانفورماتیکی و طراحی دارویی دسترسی داشته باشند.
به این ترتیب، بیوانفورماتیک در کشف دارو می‌تواند نقش تعدیل‌کننده در نابرابری‌های ساختاری صنعت دارو ایفا کند.

برای کشورهایی مانند ایران، که با محدودیت منابع و فشارهای مضاعف بر نظام سلامت روبه‌رو هستند، سرمایه‌گذاری هدفمند در
بیوانفورماتیک در کشف دارو می‌تواند راهی برای جهش در زنجیره ارزش دارویی باشد. ترکیب

برنامه‌ریزی هوشمند تحقیق‌ و توسعه

با توسعه زیرساخت‌های داده‌محور، امکان می‌دهد که با منابع کمتر، نقش پررنگ‌تری در نوآوری جهانی دارو ایفا کنیم.

جمع‌بندی

بیوانفورماتیک در کشف دارو، نقطه تلاقی علم زیست‌شناسی با انقلاب داده‌هاست؛
نقطه‌ای که در آن، توالی‌های DNA و RNA، ساختارهای پروتئینی، شبکه‌های سیگنالی و حتی داده‌های بالینی و دنیای واقعی (Real-World Data)
در کنار هم قرار می‌گیرند تا تصویری عمیق‌تر و دقیق‌تر از بیماری و درمان ترسیم شود. این حوزه در عمل یعنی
ترجمه‌ی «خام‌ترین» داده‌های آزمایشگاهی به «قابل‌استراتژی‌ترین» بینش‌ها برای صنعت دارو. به همین دلیل است که
بیوانفورماتیک در کشف دارو دیگر یک ابزار حاشیه‌ای نیست، بلکه به زیرساخت فکری و داده‌ای کل زنجیره نوآوری دارویی تبدیل شده است.

با تلفیق داده‌کاوی زیستی، مدل‌سازی مولکولی، طراحی داروی رایانه‌ای و یادگیری ماشین، مسیر توسعه دارو
نه‌فقط سریع‌تر، بلکه هدفمندتر، قابل‌پیش‌بینی‌تر و از نظر اقتصادی منطقی‌تر شده است. داده‌کاوی زیستی به ما اجازه می‌دهد
از دل میلیون‌ها توالی ژنتیکی و هزاران پروفایل بیانی، الگوهای پنهانی را کشف کنیم که با بیماری یا پاسخ به دارو مرتبط‌اند.

اگر در گذشته کشف یک دارو سال‌ها زمان و میلیون‌ها دلار هزینه می‌برد، امروزه به لطف
بیوانفورماتیک در کشف دارو می‌توان مسیر کشف تا تأیید بالینی را به شکل چشمگیری کوتاه کرد.
در رویکرد سنتی، هزاران مولکول به‌صورت نیمه‌تصادفی طراحی، سنتز و آزمایش می‌شدند تا شاید چند مورد محدود به مراحل بالینی برسند.
اما اکنون، بخش بزرگی از این غربال‌گری در سطح داده و الگوریتم انجام می‌شود: ترکیباتی که از نظر ساختاری، فارماکوکینتیکی،
سمیت و برهم‌کنش با مسیرهای زیستی گزینه‌های کم‌احتمال محسوب می‌شوند، پیش از ورود به آزمایشگاه حذف می‌شوند.

این تحول البته فقط یک دستاورد تکنیکی نیست؛ بلکه پیامدهای عمیق اقتصادی، اجتماعی و حکمرانی به‌دنبال دارد.
از منظر اقتصادی، سرعت و دقت بیشتر در بیوانفورماتیک در کشف دارو به معنای استفاده کارآمدتر از سرمایه،
در سطح اجتماعی، وقتی داروها هدفمندتر، شخصی‌تر و اثربخش‌تر می‌شوند، کیفیت زندگی بیماران بهبود می‌یابد و فشار بر نظام‌های
بیمه‌ای و رفاهی کاهش پیدا می‌کند. از منظر حکمرانی نیز، داده‌هایی که از مسیر
بیوانفورماتیک در کشف دارو تولید می‌شوند، می‌توانند مبنای تصمیم‌گیری‌های هوشمند در حوزه سیاست‌گذاری سلامت،
اولویت‌بندی سرمایه‌گذاری‌های تحقیق و توسعه و حتی تنظیم‌گری در حوزه دارو و فناوری‌های نو باشند.

لینک نامرئی اما قدرتمندی که بیوانفورماتیک در کشف دارو میان علم، اقتصاد و سیاست برقرار می‌کند،
به‌تدریج کل معماری نوآوری دارویی را تحت تأثیر قرار می‌دهد. دیگر نمی‌توان تنها با تکیه بر مهارت‌های سنتی آزمایشگاهی
در این عرصه رقابت کرد؛ کشورها، شرکت‌ها و نظام‌های سلامت که قادرند داده تولید کنند، داده را استاندارد و یکپارچه کنند
و سپس آن را با ابزارهای تحلیلی پیشرفته به بینش قابل‌عمل تبدیل کنند، بازیگران اصلی این معماری جدید خواهند بود.
به بیان دیگر، مزیت رقابتی در صنعت دارو، هر روز بیشتر از «ظرفیت تولید فیزیکی» به سمت «ظرفیت تحلیلی و داده‌محور» منتقل می‌شود.

بدون شک، آینده نوآوری دارویی در دستان داده‌ها و هوش مصنوعی است؛ جایی که
بیوانفورماتیک در کشف دارو نقشی کلیدی در سلامت نسل‌های آینده ایفا خواهد کرد.
توسعه درمان‌های هدفمند در سرطان، بیماری‌های نادر، اختلالات ژنتیکی و حتی بیماری‌های عفونی نوپدید،
همگی به میزان توان ما در جمع‌آوری، تحلیل و به‌کارگیری هوشمندانه داده‌های زیستی وابسته خواهد بود.
هر قدر کشورها و نظام‌های سلامت سریع‌تر و هوشمندتر خود را با این واقعیت وفق دهند و برای زیرساخت‌های داده،
نیروی انسانی چندرشته‌ای و چارچوب‌های حکمرانی مناسب سرمایه‌گذاری کنند، سهم بیشتری از منافع علمی، اقتصادی و
ژئوپلیتیکی این تحول نصیب آن‌ها خواهد شد.

در نهایت، می‌توان گفت بیوانفورماتیک در کشف دارو فقط یک تکنیک یا ابزار نیست؛
بلکه یک «پارادایم» جدید در نگاه به بیماری، درمان و نوآوری است. پارادایمی که در آن، تصمیم‌گیری‌ها کمتر
مبتنی بر حدس و بیشتر متکی بر شواهد داده‌محور است؛ و همین تغییر پارادایم است که می‌تواند آینده نظام‌های سلامت را
به سوی کارآمدی بیشتر، عدالت بیشتر و تاب‌آوری بالاتر هدایت کند.