آغاز یک موج امید
در اواسط دهه ۲۰۱۰، استارتاپ‌هایی ظهور کردند که ادعا می‌کردند فرآیند کشف دارو را متحول خواهند کرد. آن‌ها وعده دادند که هوش مصنوعی می‌تواند زمان کشف داروهای جدید را به‌شدت کاهش دهد و هزینه‌های توسعه دارو را که به میلیاردها دلار می‌رسد، کم کند.
شرکت‌های بزرگ داروسازی همچون Bristol Myers Squibb و Sanofi پس از معرفی این فناوری‌ها، قراردادهای چند میلیارد دلاری امضا کردند. بیانیه‌های مطبوعاتی پر بود از عباراتی چون «افزایش چشمگیر بهره‌وری» و «پیشگامانه‌ترین همکاری‌های تحقیقاتی».
اما داروها کجا هستند؟
با این حال امروز، منتقدان سؤال می‌کنند: داروها کجا هستند؟ بیش از یک دهه از زمان آغاز این موج گذشته، اما تعداد داروهای کشف‌شده توسط هوش مصنوعی که به مراحل پایانی آزمایش‌های بالینی رسیده‌اند، بسیار اندک است و تاکنون حتی یک داروی تأییدشده وجود ندارد.
طبق گزارش Financial Times، وعده کاهش نرخ شکست در این حوزه برای بسیاری از شرکت‌ها به سرخوردگی تبدیل شده است. برخی حتی با بحران مالی مواجه شدند. برای نمونه:
- شرکت BenevolentAI مستقر در بریتانیا، پس از آنکه ارزش سهامش بیش از ۹۹ درصد سقوط کرد، در مارس گذشته مجبور شد با یک شرکت ژاپنی ادغام شود و از بورس خارج گردد.
- شرکت آمریکایی Recursion سال گذشته رقیب خود Exscientia را با ۶۸۸ میلیون دلار خرید. این مبلغ تنها اندکی بالاتر از موجودی نقدی ترازنامه شرکت بود، در حالی که ارزش اولیه سهام این شرکت در عرضه اولیه سه سال قبل ۲.۹ میلیارد دلار برآورد شده بود.
دیدگاه کارشناسان
Alex Zhavoronkov، مدیرعامل Insilico، تأکید می‌کند که برای اثبات وعده‌ها، شرکت‌ها باید داروهای واقعی ارائه کنند:
«برای اینکه بگویید یک غاز طلایی دارید، باید چند تخم طلایی بگذارید. اگر تخمی در کار نباشد، غاز شما خیلی زود بی‌ارزش می‌شود.»
Daphne Koller، مدیرعامل Insitro نیز پیچیدگی زیست‌شناسی انسان را دلیل اصلی کندی پیشرفت می‌داند:
«ما در واقع تلاش می‌کنیم چیزی را حل کنیم که هنوز به‌طور بنیادی نمی‌فهمیم. قبلاً حوزه ما بیشترین نرخ شکست را داشت، به‌جز اکتشافات فضایی. سپس اکتشافات فضایی پیشرفت کرد و به موفقیت رسید.»
امید سرمایه‌گذاران همچنان زنده است
با وجود همه مشکلات، سرمایه‌گذاران همچنان چشم به آینده دارند. صنعت داروسازی با فرآیندهای طولانی و پرهزینه‌اش، یکی از جذاب‌ترین زمینه‌ها برای نوآوری محسوب می‌شود.
- در سال ۲۰۱۳، مجموع سرمایه‌گذاری در شرکت‌های فعال در کشف دارو با هوش مصنوعی تنها ۳۰ میلیون دلار بود.
- در سال ۲۰۲۱، این رقم به ۱.۸ میلیارد دلار رسید.
افزایش محبوبیت هوش مصنوعی مولد پس از معرفی ChatGPT در سال ۲۰۲۲ موج تازه‌ای از هیجان ایجاد کرد. فناوری AI در حوزه‌هایی مانند پیش‌بینی آب‌وهوای شدید نیز کارایی خود را نشان داده و همین امر امید تازه‌ای برای سرمایه‌گذاران به وجود آورده است.
مسئله اصلی: فراتر از الگوریتم‌ها
اما مشکل اصلی تنها در الگوریتم‌ها نیست. زیست‌شناسی انسان هنوز تا حد زیادی ناشناخته است. تعاملات میان سلول‌ها و دشواری در اندازه‌گیری فرآیندهای حیاتی بدن، باعث می‌شود مدل‌های هوش مصنوعی داده کافی برای پیشرفت در اختیار نداشته باشند.
Darren Green، شیمی‌دان با بیش از ۳۰ سال تجربه در شرکت GSK، کشف دارو را «یکی از دشوارترین کارهای بشری» توصیف می‌کند.
تاریخچه امیدهای بزرگ
هوش مصنوعی اولین فناوری‌ای نیست که قرار بود صنعت داروسازی را متحول کند.
- در دهه ۱۹۵۰ و ۱۹۶۰، زیست‌شناسی ساختاری امیدهای زیادی برانگیخت.
- در دهه ۱۹۸۰، شیمی محاسباتی موج تازه‌ای از انتظارات ایجاد کرد.
- در دهه ۲۰۰۰، کشف ژنوم انسان امید به انقلاب در داروسازی را زنده کرد.
با این حال، واقعیت همچنان دشوار باقی مانده است. حتی داروهایی که از نظر نظری عالی به نظر می‌رسند، در آزمایش‌های بالینی در ۹۰ درصد موارد شکست می‌خورند.
Peter Coveney از دانشگاه UCL می‌گوید پیش‌بینی مسائلی همچون سمیت و عوارض جانبی از سخت‌ترین بخش‌های کار است.
محدودیت‌های موفقیت
به گفته Koller، بیشتر موفقیت‌های کنونی AI در حوزه‌هایی است که «بیت‌ها با بیت‌ها» در تعامل‌اند؛ مانند پردازش زبان یا بازی‌های رایانه‌ای. اما کشف دارو جایی است که «بیت‌ها با اتم‌ها» مواجه می‌شوند، یعنی تعامل مستقیم با مولکول‌ها و مواد واقعی.
Chris Gibson، بنیان‌گذار Recursion، تأکید می‌کند که هرچند چهار داروی بالقوه شرکت او در مراحل اولیه آزمایش هستند، هنوز هیچ‌یک به مرحله نهایی تأیید نزدیک نشده‌اند.
چالش‌های نسل اول
Kenneth Mulvany، بنیان‌گذار BenevolentAI، اذعان می‌کند که در سال‌های اولیه، فناوری به‌سرعت تغییر می‌کرد و شرکت‌ها مجبور بودند هر سال راه‌حل تازه‌ای ارائه دهند.
شرکت‌های نسل اول معمولاً مدل‌های هوش مصنوعی ویژه یک مشکل خاص می‌ساختند. این مدل‌ها قابل تعمیم نبودند و همین امر جذب سرمایه‌گذاران را دشوار می‌کرد.
از سوی دیگر، کمبود سرمایه باعث شد شرکت‌ها اهداف تحقیقاتی محدودی انتخاب کنند. نتیجه آن بود که بسیاری از پروژه‌ها تنها نسخه‌های مشابه یا اندکی بهبود یافته از داروهای موجود بازار بودند و توان رقابت جدی نداشتند.
نسل جدید و آغاز دوباره
دو تحول مهم سبب شد این حوزه بار دیگر جان تازه‌ای بگیرد:
- در سال ۲۰۲۱، انتشار AlphaFold2 توسط Google DeepMind و Isomorphic Labs امکان پیش‌بینی ساختار پروتئین‌ها را فراهم کرد.
- در سال ۲۰۲۲، انفجار هوش مصنوعی مولد (Generative AI) موجی تازه از امید ایجاد کرد.
شرکت‌های نسل جدید اکنون به سمت ایجاد داده‌های تازه و طراحی دارو با کمک AI حرکت می‌کنند.
- Insitro با استفاده از ماشین‌های آزمایشگاهی، سلول‌ها را تغییر می‌دهد و هر تعامل را ثبت می‌کند.
- Recursion مدعی است مجموعه داده‌های تصویری سلول‌های انسانی‌اش هزار برابر بزرگ‌تر از بزرگ‌ترین پایگاه داده عمومی موجود است.
- Lila Sciences نیز با استفاده از آزمایشگاه‌های خودکار، چیزی را که «کارخانه‌های علمی AI» می‌نامد، توسعه می‌دهد.
جمع‌بندی
هوش مصنوعی هنوز نتوانسته وعده‌های بزرگ خود را در زمینه کشف دارو محقق کند. چالش‌های زیست‌شناسی، محدودیت داده‌ها و پیچیدگی فرآیندهای انسانی مانع از آن شده است که این فناوری به نتایج ملموس برسد. با این حال، امید همچنان باقی است. نسل جدید ابزارها و مدل‌های مبتنی بر AI می‌تواند روزی کل صنعت داروسازی را متحول کند.
