هوش مصنوعی یکی از امیدوارکننده‌ترین فناوری‌ها برای کشف و توسعه داروهای جدید به شمار می‌رود و تاکنون میلیاردها دلار سرمایه جذب کرده است؛ اما یک پژوهش جدید نشان می‌دهد تأثیر واقعی این فناوری بر توسعه دارو هنوز بسیار محدودتر از انتظارات اولیه بوده است.

در سال‌های اخیر، استفاده از هوش مصنوعی برای کشف دارو به یکی از جذاب‌ترین حوزه‌های سرمایه‌گذاری در صنعت زیست‌فناوری تبدیل شده است. توانایی مدل‌های هوش مصنوعی در تحلیل حجم عظیمی از داده‌های زیستی و شناسایی مولکول‌ها و ترکیبات دارویی جدید، این امید را ایجاد کرده که بتوان فرایند چندین‌ساله توسعه دارو را سریع‌تر و کم‌هزینه‌تر کرد.

سرمایه‌گذاران خطرپذیر نیز به این امید پاسخ داده‌اند. بر اساس داده‌های PitchBook، شرکت‌های فعال در حوزه زیست‌دارویی مبتنی بر هوش مصنوعی در این دهه بیش از ۴۰ میلیارد دلار سرمایه جذب کرده‌اند.

با این حال، شواهد موجود هنوز نشان نمی‌دهد که این سرمایه‌گذاری عظیم به تحولی متناسب در تولید داروهای موفق منجر شده باشد.

یک مقاله داوری‌شده که در نشریه Nature Reviews Drug Discovery منتشر شده، تأثیر بالینی هوش مصنوعی در توسعه دارو را «ناامیدکننده و محدود» توصیف می‌کند. پژوهشگران می‌گویند هوش مصنوعی در شناسایی گزینه‌های بالقوه برای تولید دارو پیشرفت قابل توجهی داشته، اما هنوز مشخص نیست که این پیش‌بینی‌ها تا چه اندازه می‌توانند پیچیدگی‌های زیست‌شناسی انسان را پشت سر بگذارند.

هوش مصنوعی در کشف دارو چه پیشرفتی داشته است؟

یکی از نقاط قوت هوش مصنوعی در صنعت داروسازی، توانایی آن در شناسایی و اولویت‌بندی نامزدهای دارویی است.

مدل‌های یادگیری ماشین می‌توانند حجم بسیار بزرگی از داده‌های زیستی و شیمیایی را بررسی کنند و از میان گزینه‌های متعدد، ترکیباتی را که احتمالاً ویژگی‌های موردنظر را دارند شناسایی کنند.

این توانایی از نظر تئوری می‌تواند بخش ابتدایی فرایند کشف دارو را سریع‌تر کند.

اما مشکل زمانی آغاز می‌شود که یک ترکیب امیدوارکننده باید وارد مراحل پیچیده آزمایش‌های بالینی شود.

در این مرحله، مسئله دیگر فقط پیدا کردن یک مولکول مناسب نیست؛ بلکه باید مشخص شود دارو در بدن انسان چگونه عمل می‌کند، چه عوارضی دارد و آیا می‌تواند در گروه‌های مختلف بیماران واقعاً مؤثر باشد.

به گفته پژوهشگران، هوش مصنوعی هنوز در عبور از این مرحله با همان مشکلی مواجه است که داروهای سنتی با آن روبه‌رو هستند.

گلوگاه اصلی توسعه دارو همچنان فاز دوم آزمایش‌های بالینی است

یکی از مهم‌ترین موانع توسعه دارو، مرحله دوم آزمایش‌های بالینی یا Phase 2 است.

در این مرحله باید مشخص شود یک داروی آزمایشی واقعاً در بیماران اثر درمانی دارد یا خیر. برخلاف آزمایش‌های اولیه، اینجا پیچیدگی زیست‌شناسی انسان و تفاوت میان بیماران اهمیت بسیار بیشتری پیدا می‌کند.

ممکن است یک مدل هوش مصنوعی بر اساس داده‌های موجود پیش‌بینی کند که یک ترکیب دارویی امیدوارکننده است، اما بدن انسان مجموعه‌ای بسیار پیچیده‌تر از داده‌هایی است که مدل در اختیار دارد.

در نتیجه، بسیاری از نامزدهای دارویی در مراحل بالینی با شکست مواجه می‌شوند.

این همان نقطه‌ای است که به گفته پژوهشگران، هوش مصنوعی هنوز نتوانسته تحول بنیادینی ایجاد کند.

مشکل اصلی شاید خود هوش مصنوعی نباشد؛ مشکل داده‌های زیستی است

یکی از نکات کمتر جذاب اما بسیار مهم در این بحث، داده‌های سلولی و زیستی است.

برای اینکه مدل‌های هوش مصنوعی بتوانند عملکرد زیست‌شناسی انسان را به‌درستی پیش‌بینی کنند، به داده‌های باکیفیت، گسترده و استاندارد نیاز دارند.

اما داده‌های زیستی موجود همیشه چنین ویژگی‌هایی ندارند.

برخی مجموعه‌داده‌ها از نظر کیفیت به اندازه کافی قابل اعتماد نیستند و بسیاری دیگر نیز بسیار پیچیده، ناهمگون و نامنظم هستند. داده‌های مربوط به سلول‌ها و فرایندهای زیستی را نمی‌توان به سادگی مانند داده‌های متنی یا تصویری مرتب و دسته‌بندی کرد.

دریک لو، روزنامه‌نگار حوزه زیست‌فناوری، هنگام بررسی این پژوهش نیز بر همین مشکل تأکید کرده و نوشته است که هنوز مشخص نیست چگونه می‌توان چنین داده‌هایی را برای استفاده واقعی در یادگیری ماشین و هوش مصنوعی پاک‌سازی و دسته‌بندی کرد و حتی معلوم نیست آیا این کار به شکل کامل امکان‌پذیر است یا خیر.

این مسئله اهمیت زیادی دارد، زیرا عملکرد یک مدل هوش مصنوعی تا حد زیادی به کیفیت داده‌هایی وابسته است که برای آموزش و ارزیابی آن استفاده می‌شوند.

چرا سرمایه‌گذاری ۴۰ میلیارد دلاری هنوز به داروهای زیادی منجر نشده است؟

با وجود سرمایه‌گذاری بیش از ۴۰ میلیارد دلاری در زیست‌دارویی مبتنی بر هوش مصنوعی در این دهه، تعداد داروهایی که توانسته‌اند از مرحله دوم آزمایش‌های بالینی عبور کنند همچنان بسیار محدود است.

البته توسعه یک داروی جدید ذاتاً فرایندی طولانی است و از کشف اولیه یک ترکیب تا اثبات ایمنی و اثربخشی آن در آزمایش‌های انسانی، مراحل متعددی باید طی شود.

اما مسئله اصلی این است که بسیاری از طرفداران هوش مصنوعی در سال‌های گذشته انتظار داشتند این فناوری بتواند زمان موردنیاز برای توسعه دارو را به شکل معناداری کاهش دهد.

شواهد فعلی هنوز چنین تغییری را در مقیاس گسترده نشان نمی‌دهد.

به بیان دیگر، هوش مصنوعی ممکن است در ابتدای زنجیره کشف دارو سرعت ایجاد کند، اما اگر نرخ شکست در مراحل بالینی همچنان بالا باشد، صرفه‌جویی زمانی در بخش کشف اولیه لزوماً به معنای کوتاه شدن کل فرایند تولید یک دارو نیست.

هوش مصنوعی در آزمایش‌های پیشرفته دارویی چه نقشی دارد؟

این تصویر به آن معنا نیست که هوش مصنوعی هیچ کاربردی در مراحل پیشرفته توسعه دارو ندارد.

یکی از نمونه‌های قابل توجه، یک آزمایش Phase 3 توسط Moderna و Merck است که از هوش مصنوعی برای انتخاب اهداف توموری در بیماران مبتلا به سرطان استفاده می‌کند و سپس بیماران را با یک داروی موجود درمان می‌کند.

این رویکرد می‌تواند به پزشکان و پژوهشگران کمک کند تصمیم بگیرند کدام هدف درمانی برای یک بیمار مشخص مناسب‌تر است.

با این حال، این نمونه بیشتر نشان‌دهنده استفاده از هوش مصنوعی برای تصمیم‌گیری و انتخاب درمان برای افراد مشخص است، نه جایگزین کردن کامل فرایند سنتی توسعه یک داروی جدید.

این تفاوت مهم است؛ زیرا یکی از بزرگ‌ترین وعده‌های صنعت هوش مصنوعی، ایجاد تحول در خود فرایند کشف و تولید دارو بوده است.

سرمایه‌گذاران حوزه زیست‌فناوری درباره آینده AI چه می‌گویند؟

دیدگاه فعالان سرمایه‌گذاری در حوزه زیست‌فناوری نیز نشان می‌دهد که برای تحقق وعده‌های هوش مصنوعی، صرفاً توسعه مدل‌های قدرتمندتر کافی نیست.

رابرت نلسن از Arch Venture Partners معتقد است صنعت به داده‌های بیشتری برای ساخت مدل‌های زیست‌شناسی نیاز دارد. او همچنین بر ضرورت اصلاح مقررات برای سرعت بخشیدن به فرایند توسعه تأکید کرده است.

از نگاه او، ترکیب داده‌های سلولی گسترده‌تر، داده‌های جمعیتی بیشتر و در آینده فناوری‌هایی مانند رایانش کوانتومی می‌تواند تغییرات بنیادینی در صنعت ایجاد کند.

در مقابل، بیجان صالحی‌زاده از NaviMed Capital بر بخش دیگری از مشکل تمرکز دارد.

او معتقد است بخش قابل توجهی از هزینه‌های تحقیق و توسعه در مراحل Phase 2 و Phase 3 صرف می‌شود و هزینه‌های شرکت‌های تحقیقات قراردادی یا CROها و ناکارآمدی‌های موجود در فرایندهای نظارتی نیز این هزینه‌ها را افزایش می‌دهند.

از دیدگاه او، خطر این وجود دارد که کاربرد هوش مصنوعی در توسعه دارو به حوزه‌هایی نسبتاً ساده‌تر مانند آمار زیستی، مدیریت داده‌های نهایی آزمایش و نگارش اسناد پزشکی برای ارائه به سازمان غذا و داروی آمریکا (FDA) محدود شود.

در حالی که چالش‌های بزرگ‌تر همچنان پابرجا بمانند؛ چالش‌هایی مانند طراحی و اجرای یک مطالعه Phase 2 یا Phase 3 در صدها یا هزاران مرکز تحقیقاتی در سراسر جهان، مذاکره با مراکز، آغاز مطالعات، جذب بیماران و نظارت بر داده‌ها.

آیا هوش مصنوعی واقعاً می‌تواند زمان تولید دارو را کاهش دهد؟

این پرسش همچنان یکی از مهم‌ترین موضوعات در صنعت داروسازی است.

هوش مصنوعی در بخش‌هایی از فرایند، به‌ویژه تحلیل داده‌ها و شناسایی نامزدهای دارویی، قابلیت‌های قابل توجهی دارد. اما تبدیل یک پیش‌بینی محاسباتی به یک داروی مؤثر، به مراتب پیچیده‌تر است.

یک مدل ممکن است بر اساس داده‌های موجود پیش‌بینی دقیقی ارائه کند، اما زمانی که دارو روی جمعیتی بزرگ و متنوع از انسان‌ها آزمایش می‌شود، متغیرهای بسیار بیشتری وارد معادله می‌شوند.

تفاوت‌های ژنتیکی، شرایط پزشکی، واکنش‌های متفاوت بدن، عوارض جانبی و عوامل متعدد دیگر می‌توانند نتیجه واقعی را تغییر دهند.

به همین دلیل، عبور از مرحله آزمایش‌های بالینی همچنان یکی از سخت‌ترین بخش‌های توسعه دارو باقی مانده است.

آیا کند کردن توسعه هوش مصنوعی می‌تواند به پزشکی آسیب بزند؟

هم‌زمان با افزایش بحث‌ها درباره ایمنی و سرعت توسعه مدل‌های پیشرفته هوش مصنوعی، طرفداران این فناوری نیز استدلال کرده‌اند که محدود کردن سرعت پیشرفت AI ممکن است به تأخیر در تولید داروهای نجات‌بخش منجر شود.

این استدلال بر این فرض استوار است که مدل‌های قدرتمندتر می‌توانند در آینده به کشف سریع‌تر درمان‌های جدید کمک کنند و محدود کردن توسعه آن‌ها ممکن است چنین پیشرفت‌هایی را عقب بیندازد.

با این حال، داده‌های فعلی نشان می‌دهند که میان توانایی مدل‌های هوش مصنوعی در پیش‌بینی نامزدهای دارویی و اثبات موفقیت آن‌ها در بیماران واقعی فاصله قابل توجهی وجود دارد.

بنابراین، صرف اشاره به ظرفیت بالقوه AI برای تولید دارو نمی‌تواند جایگزین شواهد بالینی درباره اثربخشی آن شود.

آینده هوش مصنوعی در صنعت داروسازی به داده‌های بهتر وابسته است

تجربه چند سال اخیر نشان می‌دهد که مسئله اصلی توسعه دارو با هوش مصنوعی فقط ساخت مدل‌های بزرگ‌تر و قدرتمندتر نیست.

برای اینکه AI بتواند واقعاً فرایند تولید دارو را متحول کند، باید داده‌های زیستی باکیفیت‌تر، استانداردهای بهتر، نمونه‌های جمعیتی گسترده‌تر و روش‌های دقیق‌تری برای اعتبارسنجی پیش‌بینی‌های مدل‌ها در اختیار داشته باشد.

در غیر این صورت، ممکن است هوش مصنوعی در بخش‌هایی از فرایند توسعه دارو عملکرد بسیار خوبی داشته باشد، اما همچنان در مهم‌ترین مرحله یعنی اثبات اینکه یک درمان واقعاً برای انسان مؤثر و ایمن است با همان موانع قدیمی مواجه شود.

هوش مصنوعی در داروسازی؛ وعده بزرگ، اما هنوز بدون شواهد کافی

سرمایه‌گذاری گسترده در هوش مصنوعی زیست‌پزشکی نشان می‌دهد صنعت داروسازی انتظار زیادی از این فناوری دارد. با این حال، شواهد فعلی تصویری محتاطانه‌تر ارائه می‌کنند.

AI در شناسایی ترکیبات و نامزدهای دارویی پیشرفت کرده است، اما هنوز مشخص نیست این پیشرفت تا چه اندازه به افزایش تعداد داروهای موفق در مراحل پایانی آزمایش‌های بالینی منجر خواهد شد.

در نهایت، چالش اصلی توسعه دارو همچنان همان چیزی است که صنعت داروسازی برای دهه‌ها با آن مواجه بوده است: تبدیل یک ایده امیدوارکننده به درمانی که در جمعیت‌های واقعی و متنوع انسانی ایمن و مؤثر باشد.

هوش مصنوعی می‌تواند این مسیر را در برخی مراحل کوتاه‌تر و کارآمدتر کند، اما بر اساس شواهد فعلی، هنوز نمی‌توان گفت که این فناوری به‌تنهایی توانسته است فرایند توسعه دارو را متحول کند.