کشف دارو با AI از اسلایدهای نمایشی به قراردادهای واقعی رسیده است
قراردادها و همکاریهای تازه نشان میدهد AI در علوم زیستی دیگر فقط دمو نیست؛ اما ارزش واقعی وقتی ثابت میشود که تصمیم زیستی بهتر، آزمایش دقیقتر و شکست زودتر ایجاد کند.
دبیر محصول و شهر هوشمند
هیجان به قرارداد رسیده است
کشف دارو با AI سالها بین دو روایت گیر کرده بود. در یک روایت، الگوریتمها قرار بود ده سال زیستشناسی را به چند کلیک تبدیل کنند. در روایت دیگر، همه چیز فقط نرمافزار نمایشی روی workflowهای قدیمی بود. واقعیت جالبتر حالا وسط این دو ظاهر شده است: شرکتها همکاری میبندند، milestone تعریف میکنند و از سیستمهای AI میخواهند در حلقه واقعی و شلوغ زیستشناسی ارزش نشان دهند.
این تغییر مهم است چون کشف دارو صرفاً مسئله اطلاعات نیست. مدل میتواند مولکول rank کند، مقاله بخواند، ساختار پیشبینی کند و hypothesis بسازد؛ اما رأی نهایی را زیستشناسی میدهد. سلول، سمیت، تفاوت بیمار، تولید و قانونگذاری با یک خروجی زیبا ناپدید نمیشوند.
مرحله جدی وقتی شروع میشود که AI با کیفیت اسلاید قضاوت نشود، بلکه با تغییر تصمیم قضاوت شود: کدام target را دنبال کنیم، کدام مولکول را تست کنیم، کدام assay را اجرا کنیم و کدام شکست را زودتر بپذیریم.
مقالههای مرتبط
دیتاسنترهای AI دیگر فقط داستان cloud نیستند؛ به سیاست محلی تبدیل شدهاند
AI کجا واقعاً مفید است
قویترین کاربرد کوتاهمدت جایگزینی جادویی دانشمند نیست؛ فشرده کردن جستوجو است. AI میتواند ادبیات علمی، patent، داده omics، ساختار پروتئین، کتابخانه شیمیایی و نشانههای trial قبلی را سریعتر از حافظه انسانی کنار هم بگذارد. این جواب درست را تضمین نمیکند، اما آزمایش بعدی را کمتر کور میکند.
AI به عنوان لایه هماهنگی هم مهم است. برنامه دارویی زنجیرهای از handoffهاست: زیستشناسی محاسباتی، شیمی، طراحی assay، عملیات آزمایشگاه، استراتژی clinical و مستندات regulatory. مدلی که evidence را خلاصه کند، فرضها را نشان دهد و نقشه زنده تصمیمها را نگه دارد، میتواند از گمشدن context جلوگیری کند.
خطر این است که سرعت را با حقیقت اشتباه بگیریم. hypothesis سریع هنوز hypothesis است. تیمهای موفق AI را با دانشمند شکاک، lineage داده، notebook قابل بازتولید، طراحی assay روشن و شجاعت کشتن ایده جذاب ترکیب میکنند.
زیرساخت محاسباتی مثل تجهیزات آزمایشگاه شده است
مدلهای foundation زیستی، سیستمهای تولید مولکول و workflowهای GPU-accelerated دارند به بخشی از stack آزمایشگاه مدرن تبدیل میشوند. اینها wet lab را حذف نمیکنند؛ تعیین میکنند چه چیزی وارد wet lab شود. همین تغییر ارزشمند است چون هر آزمایش زمان، پول و تمرکز میسوزاند.
اقتصاد مسئله مهم است. اگر AI تعداد candidateهای ضعیف را کم کند، مکانیزمها را بهتر اولویتبندی کند یا نگرانی ایمنی را زودتر نشان دهد، لازم نیست پزشکی را «حل» کند تا ارزشمند باشد. کافی است hit rate تصمیمهای گران را بهتر کند.
اما adoption بدون governance خطرناک است. تیم باید بداند مدل با چه دادهای آموزش دیده، bias از کجا وارد میشود، prediction چگونه version میخورد و آیا نتیجه چند ماه بعد برای سرمایهگذار، رگولاتور یا شریک قابل بازتولید است یا نه.
بعد از این چه چیزی را باید دید
سیگنال بهتر، وعده درخشان کشف همه داروها نیست. باید به milestone payment وابسته به validation زیستی، نتیجه آزمایشی منتشرشده، پیشرفت clinical، شکستهایی که صادقانه توضیح داده میشوند و همکاریهایی نگاه کرد که واقعاً شیوه کار را تغییر میدهند.
نقش قضاوت انسانی هم مهم است. در علوم زیستی، قویترین داستان AI جایگزینی پژوهشگر نیست؛ دقیقتر شدن تیم در این است که کدام uncertainty ارزش پول و زمان دارد.
کشف دارو با AI واقعیتر شده، اما واقعی یعنی بیزحمت نیست. شرکتهای برنده آنهایی هستند که به زیستشناسی آنقدر احترام میگذارند که AI را شتابدهنده یادگیری بدانند، نه پاککننده uncertainty.
“خبر خوب، خبری است که کاربر بعد از خواندن آن تصمیم بهتری بگیرد.”
درباره نویسنده
ندا رحیمی
دبیر محصول و شهر هوشمند
ندا درباره اینترنت اشیا، شهر هوشمند، تجربه کاربر، داده شهری و مسیر اجرای فناوری در سازمانهای ایرانی مینویسد.
