اگر همه ما می توانیم روی یک چیز توافق داشته باشیم، این است که کاپیتان های صنعت قرن بیست و یکم در تلاش هستند تا هوش مصنوعی را در هر گوشه ای از جهان ما جابجا کنند. اما با وجود تمام روشهایی که هوش مصنوعی به چهره ما نشان داده میشود و موفقیت چندانی به دست نمیآورد، ممکن است حداقل یک هدف مفید داشته باشد. به عنوان مثال، با سرعت بخشیدن به فرآیند اغلب چندین دهه طراحی، یافتن و آزمایش داروهای جدید.
کاهش خطر یک مفهوم جذاب نیست، اما ارزش این را دارد که بفهمیم شکست یک پروژه دارویی جدید چقدر رایج است. برای تنظیم صحنه، در نظر بگیرید که هر پروژه دارویی بین سه تا پنج سال طول می کشد تا یک فرضیه به اندازه کافی قوی برای شروع آزمایشات در آزمایشگاه شکل بگیرد. آ مطالعه ۲۰۲۲ از پروفسور Duxin Sun دریافتند که ۹۰ درصد توسعه داروهای بالینی با شکست مواجه می شود و هر پروژه بیش از ۲ میلیارد دلار هزینه دارد. و این تعداد حتی شامل ترکیباتی که در مرحله پیش بالینی غیرقابل اجرا هستند نیز نمی شود. به زبان ساده، هر داروی موفقی باید حداقل ۱۸ میلیارد دلار ضایعات تولید شده توسط خواهر و برادرهای ناموفق خود را تامین کند، که البته تضمین میکند که درمانهای کمدرآمد برای شرایط نادرتر به اندازهای که ممکن است مورد نیاز باشد، مورد توجه قرار نگیرد.
دکتر نیکولا ریچموند معاون هوش مصنوعی در خیراندیش، یک شرکت بیوتکنولوژی که از هوش مصنوعی در فرآیند کشف دارو استفاده می کند. او توضیح داد که محققان وظیفه سیستم کلاسیک را برای یافتن، برای مثال، یک پروتئین بد رفتار – علت بیماری – و سپس یافتن مولکولی که میتواند آن را وادار به رفتار کند، توضیح داد. هنگامی که آنها یکی را پیدا کردند، باید آن مولکول را به شکلی درآورند که بیمار می تواند داشته باشد، و سپس آزمایش کنند که آیا هم ایمن و هم مؤثر است یا خیر. سفر به آزمایشهای بالینی روی یک بیمار زنده سالها طول میکشد و اغلب فقط همینطور است سپس محققان متوجه می شوند که چه چیزی در تئوری در کار نمی کند تمرین.
دکتر کریس گیبسون، یکی از بنیانگذاران این دارو، گفت: روند فعلی “بیش از یک دهه و چندین میلیارد دلار سرمایه گذاری تحقیقاتی برای هر دارویی تایید شده طول می کشد.” بازگشت، شرکت دیگری در فضای کشف مواد مخدر هوش مصنوعی. او میگوید که مهارت بزرگ هوش مصنوعی ممکن است طفره رفتن از اشتباهات و کمک به اجتناب از دویدن طولانی مدت محققان در کوچههای کور باشد. به قول گیبسون، یک پلتفرم نرمافزاری که میتواند همزمان صدها گزینه را تغییر دهد، میتواند «سریعتر و زودتر از کار بیفتد تا بتوانید به سمت اهداف دیگر بروید».
دکتر آن ای. کارپنتر بنیانگذار آزمایشگاه کارپنتر سینگ در موسسه برود MIT و هاروارد. او بیش از یک دهه را صرف توسعه تکنیکهایی در نقاشی سلولی کرده است، راهی برای برجسته کردن عناصر موجود در سلولها، با رنگها، تا آنها را با کامپیوتر قابل خواندن کند. او همچنین یکی از توسعه دهندگان است پروفایل سلولپلتفرمی که محققان را قادر میسازد تا از هوش مصنوعی برای تمیز کردن تصاویر سلولهای رنگشده استفاده کنند. در مجموع، این کار باعث میشود که دستگاه به راحتی ببیند سلولها وقتی تحت تأثیر بیماری یا درمان قرار میگیرند، چگونه تغییر میکنند. و با نگاهی کلی به هر بخش از سلول – رشته ای که به عنوان “اومیکس“- فرصت های بیشتری برای ایجاد انواع اتصالات وجود دارد که سیستم های هوش مصنوعی در آنها برتری دارند.
استفاده از تصاویر بهعنوان راهی برای شناسایی درمانهای بالقوه، کمی سمت چپ به نظر میرسد، زیرا ظاهر چیزها همیشه نشاندهنده وضعیت واقعی چیزها نیست، درست است؟ کارپنتر میگوید که انسانها همیشه پیشفرضهایی ناخودآگاه در مورد وضعیت پزشکی تنها از روی دید داشتهاند. او توضیح داد که بیشتر مردم ممکن است تنها با نگاه کردن به صورتش به این نتیجه برسند که ممکن است یک فرد مشکل کروموزومی داشته باشد. و پزشکان حرفه ای می توانند تعدادی از اختلالات را صرفاً از طریق بینایی و صرفاً در نتیجه تجربه خود شناسایی کنند. او اضافه کرد که اگر از چهره همه افراد در یک جمعیت معین عکس بگیرید، یک کامپیوتر میتواند الگوها را شناسایی کرده و آنها را بر اساس ویژگیهای مشترک مرتب کند.
این منطق در مورد تصاویر سلول ها صدق می کند، جایی که یک آسیب شناس دیجیتالی امکان مقایسه تصاویر نمونه های سالم و بیمار را دارد. اگر انسان بتواند این کار را انجام دهد، استفاده از رایانه برای تشخیص این تفاوتها در مقیاس تا زمانی که دقیق باشد، باید سریعتر و آسانتر باشد. «شما به این دادهها اجازه میدهید تا در گروهها و اکنون جمع شوند [you’re] او توضیح داد که وقتی درمان می کنیم شروع به دیدن الگوها می کنیم [cells] با ۱۰۰۰۰۰ ترکیب مختلف، یکی یکی، می توانیم بگوییم دو ماده شیمیایی وجود دارد که واقعا شبیه یکدیگر به نظر می رسندو این ظاهر واقعاً شبیه به یکدیگر تصادفی نیست، بلکه به نظر میرسد نشان دهنده نحوه رفتار آنها باشد.
در یک مثال، کارپنتر اشاره کرد که دو ترکیب مختلف می توانند اثرات مشابهی را در یک سلول ایجاد کنند و به طور گسترده می توانند برای درمان یک بیماری استفاده شوند. اگر چنین است، ممکن است یکی از این دو – که ممکن است برای این منظور در نظر گرفته نشده باشد – عوارض جانبی مضر کمتری داشته باشد. سپس این مزیت بالقوه وجود دارد که بتوانیم چیزی را شناسایی کنیم که نمیدانستیم تحت تأثیر بیماری است. این به ما اجازه میدهد که بگوییم، هی، این خوشه از شش ژن وجود دارد، که پنج تای آن واقعاً به خوبی شناخته شدهاند که بخشی از این مسیر هستند، اما ششمین آن، ما نمیدانستیم چه کرد، اما اکنون یک ژن داریم. سرنخ قوی این است که در همان فرآیند بیولوژیکی دخیل است. او گفت: «شاید آن پنج ژن دیگر، به هر دلیلی، خود اهداف مستقیم بزرگی نباشند، شاید مواد شیمیایی به هم متصل نشوند، اما ژن ششم [could be] واقعا برای آن عالی است.»
در این زمینه، استارتآپهایی که از هوش مصنوعی در فرآیندهای کشف دارو استفاده میکنند، امیدوارند که بتوانند الماسهای پنهان شده را در دید آشکار پیدا کنند. دکتر ریچموند گفت که رویکرد Benevolent این است که تیم یک بیماری مورد علاقه را انتخاب کند و سپس یک سوال بیولوژیکی پیرامون آن فرموله کند. بنابراین، در شروع یک پروژه، تیم ممکن است تعجب کند که آیا راههایی برای درمان ALS با تقویت یا اصلاح روشی که سیستم خانهداری خود سلول کار میکند وجود دارد. (برای واضح بودن، این یک مثال کاملا فرضی است که توسط دکتر ریچموند ارائه شده است.)
سپس این سوال از طریق مدلهای هوش مصنوعی Benevolent انجام میشود که دادهها را از منابع مختلف جمعآوری میکند. آنها سپس فهرستی رتبهبندی شده از پاسخهای بالقوه به این سؤال را تهیه میکنند که میتواند شامل ترکیبات جدید یا داروهای موجود باشد که میتوانند متناسب با آن سازگار شوند. سپس دادهها به محققی میرسد، که میتواند بررسی کند، در صورت وجود، چه اهمیتی به یافتههایش میدهد. دکتر ریچموند افزود که این مدل باید شواهدی را از منابع موجود یا منابع موجود برای حمایت از یافتههای خود ارائه کند، حتی اگر انتخابهای آن خارج از میدان چپ باشد. و این که، در همه حال، یک انسان حرف آخر را در مورد اینکه چه نتایجی باید دنبال شود و با چه شدتی باید انجام شود، می زند.
وضعیت مشابهی در Recursion وجود دارد و دکتر گیبسون ادعا میکند که مدل او اکنون میتواند پیشبینی کند که چگونه هر دارویی با هر بیماری بدون نیاز به آزمایش فیزیکی آن تداخل میکند. این مدل اکنون در حدود سه تریلیون پیشبینی شکل داده است که مشکلات بالقوه را به راهحلهای بالقوه آنها بر اساس دادههایی که قبلا جذب و شبیهسازی کرده است، مرتبط میکند. گیبسون گفت که این فرآیند در این شرکت اکنون شبیه یک جستجوی وب است: محققان در یک پایانه می نشینند و ژن مرتبط با سرطان سینه را تایپ می کنند و [the system] تمام ژن ها و ترکیبات دیگر را پر می کند [it believes are] مربوط.”
دکتر گیبسون گفت: «آنچه که هیجان انگیز می شود، این است که چه زمانی [we] ژنی را ببینید که هیچ کس تا به حال نامش را در لیست نشنیده است، که شبیه زیست شناسی بدیع است، زیرا جهان هیچ تصوری از وجود آن ندارد. آزمایشگاه علمی خانه. در اینجا، محققان آزمایشات اولیه را انجام خواهند داد تا ببینند آیا آنچه در شبیه سازی یافت شده می تواند در دنیای واقعی تکرار شود یا خیر. دکتر گیبسون گفت که آزمایشگاه مرطوب Recursion که از اتوماسیون در مقیاس بزرگ استفاده می کند، قادر است بیش از دو میلیون آزمایش در یک هفته کاری
دکتر گیبسون گفت: «حدود شش هفته بعد، با مداخله بسیار اندک انسانی، به نتایج خواهیم رسید و در صورت موفقیت، تیم واقعاً شروع به سرمایه گذاری خواهد کرد». زیرا، تا این مرحله، دوره کوتاه کار اعتبار سنجی، برای شرکت هزینه “پول و زمان بسیار کمی برای بدست آوردن” داشته است. وعده این است که، به جای یک مرحله پیش بالینی سه ساله، می توان کل این فرآیند را به چند جستجو در پایگاه داده، کمی نظارت و سپس چند هفته آزمایش ex vivo برای تأیید اینکه آیا تصورات سیستم ارزش تلاش واقعی را دارد یا خیر، کاهش داد. . برای بازجویی دکتر گیبسون گفت که او معتقد است که یک سال کار مدل حیوانی به طول انجامیده است [compressed] در بسیاری از موارد به دو ماه می رسد.»
البته، هنوز یک داستان موفقیت مشخص وجود ندارد، هیچ درمان شگفت انگیزی وجود ندارد که هر شرکتی در این فضا بتواند به عنوان اعتباربخشی رویکرد به آن اشاره کند. اما Recursion میتواند یک مثال واقعی را ذکر کند که نشان میدهد پلتفرم آن چقدر به موفقیت یک مطالعه انتقادی نزدیک شده است. در آوریل ۲۰۲۰، Recursion اجرا شد دنباله COVID-19 از طریق سیستم خود برای بررسی پتانسیل درمان ها هم داروهای مورد تایید FDA و هم کاندیداها را در آزمایشات بالینی در مراحل آخر بررسی کرد. این سیستم فهرستی از ۹ نامزد بالقوه را تهیه کرد که نیاز به تجزیه و تحلیل بیشتری دارند، که بعداً صحت هشت مورد از آنها ثابت خواهد شد. همچنین گفته شد که هیدروکسی کلروکین و ایورمکتین که هر دو در اولین روزهای همه گیری بسیار مورد توجه قرار گرفته بودند، از بین خواهند رفت.
و داروهایی با هوش مصنوعی وجود دارند که در حال حاضر تحت آزمایشات بالینی در دنیای واقعی هستند. بازگشت است با اشاره به پنج پروژه در حال حاضر مرحله اول خود را (آزمایش در بیماران سالم)، یا وارد مرحله دوم (آزمایش بر روی افراد مبتلا به بیماری های نادر مورد نظر) آزمایش بالینی می کنند. خیرخواه آغاز کرده است مرحله یک آزمایش BEN-8744درمانی برای کولیت زخمی که ممکن است به سایر اختلالات التهابی روده کمک کند. و BEN-8744 بازدارندهای را هدف قرار میدهد که هیچ ارتباط قبلی در تحقیقات موجود ندارد که در صورت موفقیت، به این ایده اضافه میکند که هوش مصنوعی میتواند ارتباطاتی را که انسان از دست داده است تشخیص دهد. البته حداقل تا اوایل سال آینده که نتایج آن آزمایشهای اولیه منتشر میشود، نمیتوانیم نتیجهگیری کنیم.
سوالات بی پاسخ زیادی وجود دارد، از جمله اینکه چقدر باید به هوش مصنوعی به عنوان تنها داور خط لوله کشف دارو اعتماد کنیم. همچنین سوالاتی در مورد کیفیت داده های آموزشی و سوگیری ها در منابع گسترده تر به طور کلی وجود دارد. دکتر ریچموند مسائل مربوط به سوگیری ها در منابع داده های ژنتیکی را از نظر همگنی کشت های سلولی و نحوه انجام آن آزمایش ها برجسته کرد. به طور مشابه، دکتر کارپنتر نتایج آخرین پروژه خود را که در دسترس عموم است، گفت JUMP-Cell Painting پروژه، بر اساس سلول های یک شرکت کننده بود. ما آن را با دلایل موجه انتخاب کردیم، اما هنوز یک نوع انسان و یک نوع سلولی از آن یک انسان است. در یک دنیای ایدهآل، او طیف وسیعتری از شرکتکنندگان و انواع سلولها را خواهد داشت، اما مسائل در حال حاضر بر بودجه و زمان، یا بهطور مناسبتر، عدم حضور آنها متمرکز است.
اما، در حال حاضر، تنها کاری که میتوانیم انجام دهیم این است که منتظر نتایج این آزمایشهای اولیه باشیم و امیدوار باشیم که آنها به ثمر بنشینند. مانند هر کاربرد بالقوه دیگری از هوش مصنوعی، ارزش آن تا حد زیادی به توانایی آن در بهبود کیفیت کار بستگی دارد – یا، به احتمال زیاد، بهبود نتیجه کسب و کار مورد نظر. با این حال، اگر هوش مصنوعی بتواند پس انداز را به اندازه کافی جذاب کند، آنگاه ممکن است بیماری هایی که احتمالاً در سیستم فعلی نیازهای سرمایه گذاری را جبران نمی کنند، شانسی داشته باشند. همه اینها می تواند در یک موج تبلیغاتی از بین برود، یا ممکن است امید واقعی را به خانواده هایی که در هنگام مواجهه با یک اختلال نادر برای کمک تلاش می کنند، ایجاد کند.
این مقاله در ابتدا در Engadget در https://www.engadget.com/ai-is-coming-for-big-pharma-150045224.html?src=rss ظاهر شد
منبع: https://www.engadget.com/ai-is-coming-for-big-pharma-150045224.html?src=rss