مرداد
اخبار
کشف دارو با هوش مصنوعی؛ موج میلیاردی که صنعت داروسازی را تکان داد
کشف یک داروی تازه بهطور سنتی بیش از یک دهه زمان و میلیاردها دلار هزینه میبرد و در بیشتر موارد هم به شکست ختم میشود. حالا موجی از سرمایهگذاریهای سنگین در حال شرطبندی روی این ایده است که هوش مصنوعی میتواند این چرخه را از سال به ماه کوتاه کند. تازهترین نشانه، خروج یکی از پژوهشگران اوپنایآی برای ساخت استارتاپی در همین حوزه است؛ آن هم با ارزشگذاری میلیاردی، پیش از آنکه حتی یک محصول داشته باشد.
لیست مطالب
۱) خبر تازه چیست؟
بر پایهی گزارش تککرانچ، مایلز وانگ که در اوپنایآی روی پژوهشهای مدل کار میکرد، در حال جدا شدن از این شرکت و راهاندازی یک استارتاپ کشف دارو با هوش مصنوعی است. رقم مطرحشده برای دور نخست سرمایهگذاری حدود ۲۰۰ میلیون دلار با ارزشگذاری نزدیک به ۲ میلیارد دلار است.
ارزشگذاری دو میلیارد دلاری برای شرکتی که هنوز محصولی در بازار ندارد، در نگاه اول عجیب است. اما در بازار امروز، سرمایهگذاران روی سه چیز شرط میبندند: کیفیت تیم، دسترسی به توان پردازشی، و اندازهی بازاری که قرار است تسخیر شود. صنعت دارو در هر سه معیار امتیاز بالایی میگیرد.
۲) موج بزرگتر؛ سرمایه به کدام سمت میرود؟
این خبر یک اتفاق منفرد نیست. آزمایشگاه آیزومورفیک، شرکت وابسته به گوگل دیپمایند که بر پایهی دستاوردهای آلفافولد بنا شده، طبق گزارش فوربس ۲.۱ میلیارد دلار جذب کرده است؛ رقمی که آن را به یکی از بزرگترین شرطبندیهای تاریخ این حوزه تبدیل میکند.
در همین حال، استارتاپ چای دیسکاوری طبق گزارشها با جذب ۴۰۰ میلیون دلار در دور سری سی به ارزشگذاری ۳.۸ میلیارد دلار رسیده؛ رشدی چشمگیر در بازهای کمتر از یک سال. الگوی مشترک این سه خبر روشن است: پول در حال حرکت از لایهی مدلهای عمومی به سمت کاربردهای عمودی و تخصصی است.
۳) هوش مصنوعی دقیقاً کجای فرایند دارو را عوض میکند؟
برای فهم اهمیت ماجرا باید بدانیم فرایند سنتی دارو از چه مراحلی میگذرد و گلوگاه کجاست.
شناسایی هدف زیستی
نخست باید مشخص شود کدام پروتئین یا مسیر زیستی عامل بیماری است. مدلهای هوش مصنوعی با تحلیل حجم عظیمی از دادههای ژنومی و مقالات، میتوانند نامزدهای محتمل را رتبهبندی کنند و ماهها کار دستی را کوتاه کنند.
طراحی مولکول
اینجا بزرگترین جهش رخ داده است. پیشبینی ساختار سهبعدی پروتئینها و شبیهسازی برهمکنش آنها با مولکولهای کاندید، کاری که زمانی به آزمایشهای طولانی نیاز داشت، حالا تا حد زیادی محاسباتی شده است. مدلهای مولد میتوانند مولکولهایی پیشنهاد دهند که در طبیعت وجود ندارند اما ویژگیهای مطلوب را دارند.
غربالگری و اولویتبندی
بهجای آزمایش صدها هزار ترکیب در آزمایشگاه، میتوان ابتدا آنها را بهصورت محاسباتی غربال کرد و فقط بهترینها را به آزمایشگاه فرستاد. این دقیقاً همان جایی است که صرفهجویی زمانی و مالی چشمگیر میشود.
۴) احیای داروهای شکستخورده
یکی از جذابترین وعدههای این حوزه، بازگرداندن ترکیبهایی است که سالها پیش در مسیر توسعه کنار گذاشته شدهاند. بسیاری از این ترکیبها به دلیل عوارض جانبی یا اثربخشی ناکافی روی یک بیماری خاص رها شدهاند، در حالی که ممکن است برای بیماری دیگری مناسب باشند.
شرکتهای دارویی آرشیوهای عظیمی از دادهی آزمایشهای شکستخورده دارند. هوش مصنوعی میتواند در این آرشیوها الگوهایی پیدا کند که انسان از دستشان داده است. هزینهی این مسیر بسیار کمتر از شروع از صفر است، چون بخشی از دادههای ایمنی از قبل موجود است.
۵) چرا حالا؟ سه عاملی که همهچیز را تغییر داد
عامل نخست، جهش در پیشبینی ساختار پروتئین است. تا چند سال پیش، تعیین ساختار یک پروتئین میتوانست موضوع رسالهی دکتری باشد؛ امروز به یک محاسبه تبدیل شده است.
عامل دوم، فراوانی توان پردازشی است. آموزش مدلهایی که فضای شیمیایی را کاوش میکنند، به منابع محاسباتی سنگین نیاز دارد که تا همین اواخر در دسترس نبود.
عامل سوم، مهاجرت استعداد است. پژوهشگرانی که در آزمایشگاههای بزرگ هوش مصنوعی تربیت شدهاند، حالا در حال ورود به حوزههای تخصصیاند و دانش مدلسازی را با دانش زیستشناسی ترکیب میکنند. برای تصویر دقیقتری از اینکه این فناوری در عمل چه میتواند و چه نمیتواند، پتانسیل و محدودیتهای واقعی هوش مصنوعی را ببینید.
۶) محدودیتهایی که هنوز سر جایشان هستند
خوشبینی نباید مرحلهی سخت ماجرا را پنهان کند. هوش مصنوعی سرعت مرحلهی کشف را بالا میبرد، اما مرحلهی آزمایش بالینی همچنان زمانبر و پرهزینه است؛ آزمایش روی انسان را نمیتوان شبیهسازی کرد و مقررات ایمنی هم بهدرستی سختگیرانهاند.
مشکل دوم، کیفیت داده است. مدلها با دادههای آزمایشگاهی آموزش میبینند و این دادهها اغلب پراکنده، ناهمگون و دارای سوگیری انتشاراتیاند؛ یعنی نتایج موفق بیشتر منتشر میشوند تا شکستها. مدلی که فقط موفقیتها را دیده، تصویر واقعبینانهای از دنیا ندارد.
مشکل سوم، فاصلهی میان پیشبینی و واقعیت زیستی است. یک مولکول ممکن است در شبیهسازی عالی عمل کند اما در بدن انسان بهسرعت متابولیزه شود یا به بافت هدف نرسد. اینها مسائلیاند که هنوز عمدتاً در آزمایشگاه حل میشوند.
۷) اقتصاد ماجرا؛ چرا سرمایهگذاران هجوم آوردهاند؟
منطق مالی ساده است. هزینهی توسعهی یک داروی موفق طبق برآوردهای رایج صنعت، میلیاردها دلار است و بخش بزرگی از آن صرف مسیرهایی میشود که در نهایت شکست میخورند. اگر هوش مصنوعی بتواند حتی نرخ موفقیت را چند درصد بالا ببرد یا مسیرهای بینتیجه را زودتر شناسایی کند، ارزش اقتصادی آن سرسامآور است.
در سمت دیگر، شرکتهای دارویی بزرگ ترجیح میدهند بهجای ساخت تیم داخلی، با استارتاپها شراکت کنند یا آنها را بخرند. همین انتظار خرید، بخشی از ارزشگذاریهای بالا را توضیح میدهد. اگر به منطق سرمایهگذاری کسبوکارها در این فناوری علاقه دارید، اهمیت هوش مصنوعی در کسبوکار نگاه کاملتری میدهد.
۸) این موج برای ما چه معنایی دارد؟
برای بیماران، معنای بلندمدت آن دسترسی سریعتر به درمانهای تازه است، بهویژه در بیماریهای نادر که به دلیل بازار کوچک، انگیزهی اقتصادی کافی برای توسعهی دارو وجود نداشته است. اگر هزینهی کشف پایین بیاید، این معادله تغییر میکند.
برای پژوهشگران و دانشجویان، پیام روشنتر است: تقاطع زیستشناسی و یادگیری ماشین به یکی از پرتقاضاترین مهارتهای بازار تبدیل شده است. آشنایی با ابزارهای امروزی هوش مصنوعی دیگر یک مهارت جانبی نیست؛ اگر میخواهید از پایه شروع کنید، آموزشهای چتجیپیتی و راهنمای پرامپتنویسی نقطهی شروع خوبی هستند.
۹) چه چیزی را باید رصد کرد؟
سه شاخص، صحتسنجِ واقعی این موج خواهند بود. نخست، رسیدن اولین داروهای طراحیشده با کمک هوش مصنوعی به مراحل پایانی آزمایش بالینی. دوم، انتشار دادههای شفاف دربارهی نرخ موفقیت در مقایسه با روشهای سنتی. سوم، ورود جدی شرکتهای دارویی بزرگ در قالب قراردادهای بلندمدت، نه صرفاً سرمایهگذاریهای نمادین.
تا زمانی که این سه نشانه دیده نشود، بخشی از ارزشگذاریهای فعلی بر پایهی انتظار است، نه نتیجه. ادامهی این ماجرا را میتوانید در بخش اخبار هوش مصنوعی دنبال کنید.
پرسشهای پرتکرار دربارهی کشف دارو با هوش مصنوعی
آیا واقعاً میشود دارو را در چند ماه کشف کرد؟
مرحلهی کشف و طراحی مولکول میتواند بهطور چشمگیری کوتاه شود، اما «دارو» تنها زمانی به بیمار میرسد که آزمایشهای بالینی را پشت سر بگذارد؛ مرحلهای که همچنان سالها طول میکشد. کوتاه شدن زمان، مربوط به ابتدای مسیر است نه کل آن.
مایلز وانگ کیست و چه میخواهد بسازد؟
او پژوهشگر اوپنایآی است که طبق گزارش تککرانچ در حال جدا شدن برای تأسیس استارتاپی در حوزهی کشف دارو با هوش مصنوعی است. جزئیات فنی محصول هنوز عمومی نشده و آنچه منتشر شده عمدتاً به مذاکرات سرمایهگذاری مربوط است.
آیزومورفیک و چای دیسکاوری چه فرقی با هم دارند؟
آیزومورفیک زیرمجموعهی گوگل دیپمایند است و بر پایهی فناوری پیشبینی ساختار پروتئین بنا شده. چای دیسکاوری یک استارتاپ مستقل با تمرکز بر طراحی مولکولهای زیستی است. هر دو در یک بازار رقابت میکنند اما از مسیرهای متفاوتی آمدهاند.
آیا این فناوری جای پژوهشگران دارویی را میگیرد؟
سناریوی محتملتر تغییر نقش است نه حذف. کارهای تکراری غربالگری خودکار میشود و تمرکز پژوهشگر به طراحی آزمایش، تفسیر نتایج و تصمیمهای راهبردی منتقل میشود. تقاضا برای متخصصانی که هر دو زبان را بلد باشند، در حال افزایش است.
بزرگترین ریسک این موج چیست؟
ناهمخوانی میان انتظار و نتیجه. اگر طی چند سال آینده نتایج بالینی ملموسی به دست نیاید، احتمال اصلاح شدید ارزشگذاریها وجود دارد؛ اتفاقی که پیشتر در چرخههای هیجانی دیگر فناوری هم دیده شده است.
