الگوهای سنتی کشف دارو و تحقیقات پزشکی با سرعتی بی‌سابقه در حال تغییر هستند. ویجی پاندی، استاد سابق دانشگاه استنفورد و مدیر سابق صندوق ۴ میلیارد دلاری a16z، با راه‌اندازی صندوق سرمایه‌گذاری جدید VZVC، رویکرد متفاوتی را در پیش گرفته است؛ رویکردی که بر پایه هوش مصنوعی بومی (AI-Native) و تحلیل‌های عمیق زیست‌شناختی استوار است. او معتقد است هوش مصنوعی در حال تبدیل زیست‌شناسی از یک علم مبتنی بر کشف تصادفی به یک حوزه دقیق مهندسی است.
تغییر پارادایم زیست‌شناسی: از کشف تا مهندسی با هوش مصنوعی
پارادایم‌های سنتی کشف دارو همواره با عدم قطعیت و هزینه‌های گزاف همراه بوده است. در گذشته، یافتن یک داروی جدید تا حد زیادی به شانس و آزمایش‌های طولانی‌مدت روی مدل‌های حیوانی بستگی داشت. اما ورود مدل‌های یادگیری ماشین و هوش مصنوعی این روند را کاملاً دگرگون کرده است.
به گفته پاندی، مدل‌های الگوریتمی اکنون می‌توانند پیچیدگی‌های مولکولی را شبیه‌سازی کرده و هدف‌های دارویی دقیق را برای بیماری‌های خاص شناسایی کنند. اصلی‌ترین مزایای این تحول عبارتند از:
- کاهش هزینه‌های کارآزمایی بالینی: جایگزینی شبیه‌سازی‌های هوش مصنوعی با آزمایش‌های ناموفق و پرهزینه حیوانی.
- توسعه پزشکی دقیق (Precision Medicine): تجویز داروهای سفارشی‌سازی‌شده بر اساس پروفایل دقیق زیستی هر بیمار به جای میانگین‌های آماری جامعه.
- اتوماسیون آزمایشگاهی: ترکیب ابزارهای رباتیک و الگوریتم‌های هوش مصنوعی برای جمع‌آوری و تحلیل داده‌های پروتئومیکس و ژنومیکس.
چالش داده‌های محصور و آینده مدل‌های متن‌باز زیستی
برخلاف مدل‌های بزرگ زبانی (LLM) که داده‌های متنی را از سراسر اینترنت جمع‌آوری می‌کنند، داده‌های زیست‌شناختی و پزشکی به‌راحتی قابل دریافت یا استخراج نیستند. بسیاری از شرکت‌های داروسازی و تحقیقاتی، مجموعه‌داده‌های خود را به‌صورت محصور و انحصاری نگهداری می‌کنند که این امر توسعه هوش مصنوعی در پزشکی را با چالش مواجه می‌سازد.
با این حال، روند صنعت در حال حرکت به سمت ایجاد اتلس‌های جامع اطلاعات زیستی و مدل‌های پایه (Foundation Models) است. انتظار می‌رود همان اتفاقی که در حوزه مدل‌های زبانی متن‌باز افتاد، در زیست‌شناسی نیز رخ دهد و الگوریتم‌های متن‌باز پیشتازی تحول در درمان بیماری‌ها را به دست گیرند.
سوالات متداول
چرا هزینه‌های کارآزمایی بالینی با وجود هوش مصنوعی همچنان بالاست؟
علت اصلی هزینه‌های بالا، نرخ شکست ۸۰ درصدی داروها در مراحل بالینی است. مدل‌های حیوانی پیش‌بینی‌کننده دقیقی برای واکنش بدن انسان نیستند، اما مدل‌های پیشرفته هوش مصنوعی در حال کاهش این نرخ شکست هستند.
پزشکی دقیق (Precision Medicine) چه تغییری در درمان ایجاد می‌کند؟
در این روش، به‌جای روش‌های آزمون و خطا، دارو دقیقاً بر اساس خصوصیات ژنتیکی و بیوشیمیایی فرد انتخاب می‌شود تا از همان بار اول بهترین نتیجه درمانی حاصل گردد.