یادداشت | هوش مصنوعی چگونه میتواند به صنعت داروسازی کمک کند؟
نویسنده: دیمین نگ، تحلیلگر ارشد پژوهشی در بانک جولیوس بائر

دیمین نگ، تحلیلگر ارشد پژوهشی در بانک جولیوس بائر، معتقد است هوش مصنوعی نمیتواند موفقیت داروها را تضمین کند، اما میتواند به شناسایی زودهنگام گزینههای ناموفق کمک کند.
صنعت داروسازی معمولاً موفقیتهای بزرگ خود را جشن میگیرد: درمانی جدید به دست بیماران میرسد یا بیماری مرگباری به بیماری قابلدرمان تبدیل میشود. اما آنچه کمتر مورد توجه قرار میگیرد، انبوه ایدههایی است که هرگز به نتیجه نمیرسند.
بهازای هر داروی موفق، هزاران گزینه بالقوه در مراحل مختلف توسعه کنار گذاشته میشوند. گاهی سالها پژوهش در نهایت به این نتیجه میرسد که مولکول انتخابشده یا فرضیه زیستی اولیه اشتباه بوده است. تنها حدود یک مورد از هر ۱۰ دارویی که وارد کارآزماییهای بالینی میشوند، سرانجام تأییدیه دریافت میکند؛ فرایندی که ممکن است بیش از یک دهه طول بکشد و میلیاردها دلار هزینه داشته باشد.
یکی از بزرگترین چالشهای صنعت داروسازی، تشخیص این مسئله است که کدام ایدههای علمی بیشترین شانس موفقیت را دارند. به همین دلیل، مهمترین تأثیر هوش مصنوعی در زیستداروسازی لزوماً به جایگزین کردن دانشمندان یا خودکارسازی آزمایشگاهها مربوط نمیشود. ارزش اصلی این فناوری در کمک به پژوهشگران برای تصمیمگیری بهتر، پیش از صرف سالها زمان و اختصاص سرمایههای هنگفت است. توسعه دارو اساساً مسئلهای مبتنی بر پیشبینی است.
سرعت بیشتر همیشه به معنای نتیجه بهتر نیست
بخش زیادی از بحثها درباره هوش مصنوعی بر افزایش سرعت متمرکز است؛ از کشف سریعتر داروها گرفته تا طراحی سریعتر مولکولها. هرچند این مزایا واقعی هستند، ممکن است نکته مهمتری را نادیده بگیرند: سریعتر رسیدن به مقصدی اشتباه، ارزش چندانی ندارد.
دانشمندان تلاش میکنند بفهمند آیا یک هدف زیستی واقعاً نقش مهمی در بروز بیماری دارد یا خیر. در کنار آن، باید بررسی کنند که مولکول دارویی موردنظر چگونه با آن هدف تعامل میکند و آیا این درمان میتواند برای بیماران فایده بالینی معناداری داشته باشد. بنابراین، هر تصمیم در این مسیر با درجاتی از عدمقطعیت همراه است.
پژوهشگران برای دههها با تکیه بر ترکیبی از تخصص علمی و آزمایشهای تجربی، این پیچیدگیها را بررسی کردهاند. امروزه حجم بیسابقهای از دادههای زیستی نیز در اختیار آنها قرار دارد. اطلاعات ژنومیک، پروتئومیک، تصاویر پزشکی و سوابق بالینی دنیای واقعی، درکی بسیار گستردهتر از سلامت انسان فراهم کردهاند؛ درکی که نسلهای پیشین دانشمندان به آن دسترسی نداشتند. بااینحال، هیچ گروه انسانی بهتنهایی قادر نیست تمام دادههای موجود با چنین حجم و پیچیدگیای را بهطور کامل تحلیل کند.
اینجاست که هوش مصنوعی تأثیر عملی خود را نشان میدهد. الگوریتمها میتوانند میلیونها نقطه داده را بررسی کنند تا الگوها و نشانههای معنادار را بیابند. گروههای پژوهشی از مدلهای هوش مصنوعی برای کشف ارتباط میان ژنها و مسیرهای زیستی مرتبط با بیماری استفاده میکنند؛ ارتباطهایی که پیشتر در میان حجم عظیم دادهها پنهان مانده بودند. برای مثال، سامانه آلفافولد (AlphaFold) متعلق به دیپمایند، ساختار بیش از ۲۰۰ میلیون پروتئین را پیشبینی کرده و منبعی ارزشمند در اختیار دانشمندان قرار داده است تا زیستشناسی بیماریها را بهتر بشناسند و اهداف بالقوه برای تولید دارو را شناسایی کنند.
این فناوری بهتدریج بر روند تجاری توسعه دارو نیز تأثیر میگذارد. شرکتهایی مانند اینسیلیکو مدیسین (Insilico Medicine) موفق شدهاند داروهای بالقوهای را که با کمک هوش مصنوعی شناسایی شدهاند، به مرحله کارآزمایی بالینی برسانند. این تجربه نشان میدهد روشهای محاسباتی میتوانند در شناسایی و اولویتبندی فرصتهای درمانی امیدوارکننده مؤثر باشند.
توانایی هوش مصنوعی در بهبود انتخاب اهداف دارویی اهمیت زیادی دارد، زیرا ریشه بسیاری از شکستها در کشف و توسعه دارو به تصمیمهایی بازمیگردد که در همان مراحل ابتدایی گرفته شدهاند. انتخاب هدف زیستی نامناسب اغلب سالها بعد و پس از صرف سرمایه قابلتوجه، به نتیجهای ناامیدکننده منجر میشود.
هرکسی که با فعالیتهای پژوهش و توسعه در صنعت داروسازی آشنا باشد، میداند که ناکامیهای علمی استثنا نیستند، بلکه بخشی از روند معمول کار محسوب میشوند. بنابراین، هدف واقعبینانه باید شناسایی زودهنگام احتمال شکست باشد، نه حذف کامل آن. کمک هوش مصنوعی به کنار گذاشتن فرضیههای زیستی ضعیف در مراحل اولیه، بهویژه پیش از ورود به برنامههای پرهزینه آزمایشگاهی و بالینی، فقط به معنای صرفهجویی مالی نیست. چنین رویکردی امکان میدهد منابع به فرصتهای امیدوارکنندهتر اختصاص پیدا کنند و در نتیجه، بهرهوری کلی نوآوری افزایش یابد.
توانایی هوش مصنوعی در شناسایی الگوهای معنادار به کارآزماییهای بالینی نیز گسترش یافته است. جمعیت بیماران معمولاً یکدست نیست. دو فرد با تشخیص یکسان ممکن است از نظر زیستشناسی زمینهای تفاوتهای چشمگیری داشته باشند. هوش مصنوعی میتواند به شناسایی این تفاوتها کمک کند و زمینه را برای انتخاب دقیقتر بیماران و دستیابی به شواهد روشنتر درباره اثربخشی درمانهای مختلف و بیمارانی که از آنها سود میبرند، فراهم سازد.

دگرگونی منابع مزیت رقابتی
گسترش استفاده از هوش مصنوعی در کشف و توسعه دارو میتواند منابع مزیت رقابتی در صنعت زیستداروسازی را نیز تغییر دهد. این فناوری ممکن است با در دسترس قرار دادن ابزارهای تحلیلی پیشرفته برای طیف گستردهتری از فعالان صنعت، برخی جنبههای فرایند کشف دارو را دموکراتیکتر کند. بااینحال، همزمان میتواند ارزش مجموعهدادههای منحصربهفرد زیستی و بالینی را افزایش دهد. الگوریتمها را اغلب میتوان بازتولید کرد، اما سوابق اختصاصی بیماران و دادههای حاصل از دههها پژوهش بهسادگی قابلتکرار نیستند. با فراگیرتر شدن قابلیتهای هوش مصنوعی، دسترسی به دادههای متمایز ممکن است به یکی از مهمترین منابع مزیت رقابتی تبدیل شود.
سازمانهایی که مجموعهدادههای اختصاصی و دانش تخصصی عمیقی درباره بیماریها دارند، در حال ایجاد مزیتهایی هستند که تقلید از آنها ممکن است دشوار باشد. برندگان آینده صنعت زیستداروسازی شرکتهایی خواهند بود که بتوانند دادهها را به بینشهای ارزشمند تبدیل کنند. از این مرحله به بعد، پیشبینیهای دقیقتر میتوانند مسیر تولید داروهای بهتر را هموار سازند.
هیچیک از این موارد به معنای جایگزین شدن پژوهشگران با الگوریتمها نیست. دستاوردهای بزرگ علمی همچنان به کنجکاوی و قدرت قضاوت انسان نیاز دارند. زیستشناسی بیش از اندازه پیچیده و پیامدهای تصمیمگیری در حوزه سلامت بیش از اندازه مهم است که بتوان بدون ارزیابی انتقادی به خروجیهای تولیدشده توسط ماشین اعتماد کرد.
ظرفیت واقعی هوش مصنوعی بسیار کاربردیتر از این حرفهاست. در صنعتی که هر تصمیم ممکن است صدها میلیون دلار هزینه داشته باشد، حتی بهبودهای محدود در پیشبینی موفقیت و شکست میتوانند پیامدهای بسیار بزرگی به همراه داشته باشند. بنابراین، آینده صنعت زیستداروسازی ممکن است به توانایی تصمیمگیری بهتر در مراحل اولیه وابسته باشد؛ یعنی تشخیص اینکه کدام مسیرها ارزش پیگیری دارند، پیش از آنکه سالها زمان و سرمایه صرف آنها شود.
تولید داروهای جدید همواره با عدمقطعیت همراه خواهد بود. هوش مصنوعی میتواند با کمک به پژوهشگران برای تصمیمگیری آگاهانهتر درباره ایدههایی که باید دنبال شوند، احتمال موفقیت را افزایش دهد؛ اما نمیتواند موفقیت را تضمین کند.
