تشهد صناعة التكنولوجيا الحيوية طفرة في الاستثمار في الذكاء الاصطناعي، حيث تنفق الشركات المليارات على الوعد باكتشاف أسرع وأكثر ذكاءً للأدوية. وباعتبارنا قادة في مجال البحث والتطوير، فإننا نتحمل مسؤولية طرح سؤال صعب: هل نستثمر في تحسينات حقيقية في الفعالية، أم أننا نطارد السرد؟ الإجابة الصادقة، في الوقت الحالي، هي أن الأمر يعتمد على ما تطلب من الذكاء الاصطناعي القيام به، وكيفية قياس النجاح، وما إذا كانت توقعاتك ترتكز على ما يمكن أن يقدمه العلم اليوم.
وهذه ليست وجهة نظر متشائمة. يعمل الذكاء الاصطناعي والتعلم الآلي على تحويل أجزاء من عملنا بشكل حقيقي، وتمثل التطورات الخوارزمية التي حدثت في العقد الماضي، بالتوازي مع الانفجار في القوة الحاسوبية، خطوة حقيقية إلى الأمام. لكن إدراك هذه القيمة يتطلب الوضوح الاستراتيجي، وليس المبالغة. والشركات التي ستستفيد أكثر من الذكاء الاصطناعي هي تلك التي تنشره بشكل مدروس: تحديد مشاكل محددة يمكنه حلها بشكل جيد، وبناء البنية التحتية للبيانات لدعمه، والحفاظ على الدقة العلمية التي تظل ضرورية حتى في العصر الناشئ من اكتشاف أدوية الذكاء الاصطناعي.
ما الذي يجيده الذكاء الاصطناعي وأين يواجه صعوبات؟
يتفوق الذكاء الاصطناعي في التعرف على الأنماط داخل منطقة مألوفة. عندما يرى النموذج آلاف الاختلافات في مشكلة ما، فإنه يمكنه تحديد البنية وإجراء تنبؤات موثوقة. ولهذا السبب قام الذكاء الاصطناعي بتحويل مجالات مثل التعرف على الصور والنسخ واللغة. بيانات التدريب وفيرة والمهمة هي في الأساس مهمة الاستدعاء والاستيفاء.
ويشكل اكتشاف الأدوية، في مجالات الكيمياء والأحياء، تحديًا مختلفًا بشكل أساسي. إن المساحة الكيميائية ذات الصلة شاسعة إلى حد غير مفهوم، حيث تشير التقديرات إلى أكثر من 10×1060 جزيئات شبيهة بالمخدرات محتملة. الهدف هو اختراع شيء جديد: جزيء غير موجود بعد، من شأنه أن يتصرف بأمان وفعالية في النظام البيولوجي. إن التقدم في علم الأحياء الأساسي وآلياتنا البيولوجية التي تدعم المرض لا يزال غير كاف في كثير من الحالات. إذا كان فهمنا الأفضل للأمراض الصعبة (مثل مرض الزهايمر وسرطان البنكرياس) بدائيًا اليوم، فلن يتمكن نموذج ماجستير العلوم المتطور للغاية من العثور على إجابات في المنشورات العلمية حيث لا توجد. إن نماذج الذكاء الاصطناعي المدربة على البيانات التاريخية، بحكم تعريفها، تقوم باستقراء أبعد مما رأوه. إن مدى نجاحهم في القيام بذلك، وهو ما يسميه الباحثون الأداء بعيدًا عن بيانات التدريب أو ضمن مجال التطبيق، هو أحد الأسئلة المركزية المفتوحة في هذا المجال.
حتى الإنجازات المشهورة مثل AlphaFold تثبت هذه الديناميكية. تعمل هذه النماذج بشكل جيد عند وجود أمثلة متشابهة من الناحية الهيكلية في بيانات التدريب، ولكن الأداء يتدهور بشكل ملحوظ في الحالات الجديدة حقًا.
أحد التحديات الفكرية الأساسية في اكتشاف الأدوية هو اختيار الهدف، وهو قرار متعدد المعالم مع العديد من جوانب الحكم العلمي. ولن يقتصر دور فريق فعال من العلماء على تقييم الهدف عبر العديد من جوانبه، حتى عندما تكون البيانات غير كاملة، بل يتعين عليهم أيضاً أن يقرروا كيفية الموازنة بين هذه الجوانب المختلفة من أجل التوصل إلى اتخاذ قرارات جيدة. لا يستطيع الذكاء الاصطناعي حاليًا أداء هذه المهمة ذات المستوى الأعلى. وبالنظر إلى المستقبل، قد يكون من الممكن للذكاء الاصطناعي مراجعة مجموعة بيانات منسقة لقرارات اختيار الأهداف والأساس المنطقي لتلك القرارات. واختيار الهدف مجرد مثال واحد، ولكنه يوضح نقطة أوسع نطاقا ــ فهم موقف العلم يشكل ضرورة أساسية لاتخاذ قرارات الاستثمار الأمثل وضمان توجيه الذكاء الاصطناعي لمطوري الأدوية ذوي الخبرة، بدلا من أن يحل محلهم.
مشكلة البيانات لا تحظى بالتقدير
خلف كل نموذج للذكاء الاصطناعي توجد مجموعة بيانات تدريبية، وفي اكتشاف الأدوية، يكون إنشاء مجموعة البيانات هذه مكلفًا، ويصعب تنظيمها، وغير مثالية بطبيعتها. على عكس تطبيقات المستهلك حيث يمكن جمع بيانات التدريب على نطاق واسع، تأتي البيانات الصيدلانية من تجارب يتم التحكم فيها بعناية والتي تستغرق شهورًا وتكلف موارد كبيرة. بالإضافة إلى ذلك، لا يمكن مقارنة جزء ذي معنى منه بشكل مباشر عبر التجارب. يمكن لظروف الفحص المختلفة وأنواع الخلايا والنقاط الزمنية إنتاج بيانات تبدو متشابهة ولكنها ليست كذلك.
ويختلف هذا عن تحديات التكاثر الأوسع في أبحاث الطب الحيوي، على الرغم من أنها حقيقية أيضًا. والقضية الأكثر إلحاحا بالنسبة لتطبيقات الذكاء الاصطناعي هي تنظيم البيانات: ضمان تدريب النماذج على بيانات متسقة داخليا وقابلة للمقارنة علميا. ويتطلب هذا النوع من التنظيم خبرة عميقة في هذا المجال واستثمارًا مستدامًا، وهي ليست مشكلة يمكن للذكاء الاصطناعي حلها بمفرده في الوقت الحالي.
مكان التركيز: الكفاءة المستهدفة على حساب الوعود الواسعة
ونظراً لهذه القيود، فإن استراتيجية البحث والتطوير الأكثر إنتاجية تتلخص في تحديد الخطوات المحددة والمحددة للمعدل في اكتشاف الأدوية حيث يستطيع الذكاء الاصطناعي تحقيق مكاسب موثوقة في الكفاءة وتركيز الاستثمار هناك، بدلاً من مطالبة الذكاء الاصطناعي باستكشاف الفضاء الكيميائي بشكل مستقل أو استبدال الحكم العلمي.
أحد التطبيقات المناسبة تمامًا هو مساعدة الفرق على التنقل في الحجم الهائل لبيانات المرشحين التي تم إنشاؤها أثناء تصميم الأدوية. يمكن للذكاء الاصطناعي التدقيق في مجموعات كبيرة من البيانات وتقييم الجزيئات المقترحة مقابل المعلمات المعروفة، على سبيل المثال، الفاعلية والانتقائية وخصائص ADME، لمساعدة العلماء على تحديد أولويات المرشحين الذين يستحقون المتابعة. وبدلاً من استبدال الحكم العلمي، يستطيع الذكاء الاصطناعي تعزيزه من خلال عرض المعلومات الأكثر صلة بشكل أسرع وتقليل الوقت المستغرق في الفرز اليدوي.
يتمتع الذكاء الاصطناعي أيضًا بفائدة حقيقية في ضغط المهام التي تستغرق وقتًا طويلاً ولكن ذات حكم أقل. على سبيل المثال، يمكن استخدام الذكاء الاصطناعي لقراءة النصوص من براءات الاختراع والمنشورات، وهو ما لا يتطلب مجموعة تدريب. في تلك الحالات، يستطيع الذكاء الاصطناعي قراءة كميات هائلة من النصوص وتجميع الاستنتاجات والإجابات. وتشمل المهام الأخرى ذات الحكم المنخفض مراقبة الأدبيات، ودعم التخطيط التوليفي، والتوثيق الإداري. إن تحويل عملية تستغرق يومين إلى عملية تستغرق ساعتين، على نطاق واسع، يتراكم بشكل مفيد على مدار برنامج الدواء. ورغم أن هذه المكاسب أقل دراماتيكية من العناوين الرئيسية، إلا أنها قابلة للتحقيق الآن. وبينما نتعلم المزيد عن فائدة الذكاء الاصطناعي في المهام ذات الحكم الأقل، يمكننا تقييم نقاط القوة والضعف على طول الطريق وتطبيق التكنولوجيا على المهام الأكثر تعقيدًا.
إطار استراتيجي للاستثمار في الذكاء الاصطناعي
بالنسبة لقادة البحث والتطوير الذين يقومون بتقييم استثمارات الذكاء الاصطناعي، هناك بعض المبادئ التي تستحق النظر فيها.
أولاً، حدد المشكلة قبل اختيار الأداة. لا ينبغي أن يبدأ السؤال أبدًا بـ “كيف نستخدم الذكاء الاصطناعي؟” وينبغي أن يبدأ الأمر بسؤال “ما الذي يبطئنا، وهل هذه هي الأداة المناسبة لمعالجته؟” الذكاء الاصطناعي هو أداة واحدة في مجموعة أدوات علمية أوسع، وليس استراتيجية في حد ذاتها.
ثانياً، الاستثمار في البنية التحتية للبيانات بنفس القدر من الجدية كما هو الحال في النماذج. ستحدد جودة بيانات التدريب الخاصة بك سقف ما يمكن أن يفعله أي نموذج. الشركات التي تتعامل مع تنظيم البيانات كقدرة تأسيسية ستتمتع بميزة دائمة.
ثالثاً، قياس الأداء بشكل موضوعي. قم بقياس نماذجك ليس فقط على مجموعات الاختبار المألوفة، ولكن على سيناريوهات جديدة حقًا تعكس التحديات الحقيقية لاكتشاف الأدوية. إذا كان أداء النموذج جيدًا فقط في المشكلات المشابهة لبيانات التدريب الخاصة به، فيجب أن تعرف ذلك قبل الاعتماد عليه في برنامج مباشر.
أخيرًا، كن متشككًا في ادعاءات ضغط الجدول الزمني المثيرة. إن النكسات التي تؤخر برامج الأدوية، بما في ذلك نتائج السمية غير المتوقعة، أو إشارات السلامة الجديدة، أو البيولوجيا المستهدفة التي لا تترجم، تحدث بشكل متقطع في البيانات التاريخية وتميل إلى الظهور بشكل مختلف في كل مرة ــ وهو أمر غير متسق للغاية بحيث لا يستطيع الذكاء الاصطناعي التعلم منه بشكل موثوق. إن الحكم البشري والإبداع والخبرة الميدانية للعلماء ذوي الخبرة لا يمكن استبدالهم عند أصعب نقاط التحول في تطوير الأدوية.
الفرصة الحقيقية
عندما يتعلق الأمر بالذكاء الاصطناعي، فإن التقدم الخوارزمي حقيقي، والموارد الحاسوبية غير مسبوقة، واستعداد الصناعة للاستثمار فيه يخلق فرصة حقيقية. يمكن للذكاء الاصطناعي تسريع عملية اكتشاف الأدوية وتقليل معدلات الاستنزاف في العيادات، ولكن من المهم أن ندرك أن كلا الأمرين أمر صعب للغاية.
والشركات التي ستستفيد أكثر من غيرها هي تلك التي تظل ثابتة، وتضع توقعات واقعية، وتبقي العلماء ذوي الخبرة في مركز القرارات التي تتطلب الإبداع الحقيقي والحكم. هذا الانضباط هو ما يحول الذكاء الاصطناعي من تقنية واعدة إلى تقنية يمكنها تقديم العديد من جوانب اكتشاف الأدوية مع الهدف النهائي المتمثل في تقديم الخدمات للمرضى.
الصورة: ميتاموروركس، غيتي إيماجز
بيتر تومينو، دكتوراه، هو رئيس البحث والتطوير في Nimbus Therapeutics، حيث يقود مجموعات الاكتشاف والمجموعات غير السريرية والسريرية. يتمتع الدكتور تومينو بخبرة تزيد عن 30 عامًا في اكتشاف الأدوية عبر مجموعة من المجالات العلاجية. قبل انضمامه إلى Nimbus، شغل منصب نائب الرئيس والرئيس العالمي لاكتشاف الرصاص في شركة Janssen Pharmaceuticals، حيث قاد عمليات الاكتشاف العالمية عبر مجالات علاجية متعددة. وفي شركة GlaxoSmithKline، تولى أدوارًا قيادية بما في ذلك رئيس قسم الأحياء لوحدة أداء اكتشاف علم الوراثة اللاجينية للسرطان، حيث قام بتطوير العوامل اللاجينية من الدرجة الأولى في التجارب السريرية للأورام. وفي وقت سابق، شغل مناصب علمية ذات مسؤولية متزايدة في شركات وارنر لامبرت/بارك ديفيس، وأسترازينيكا، وميلينيوم فارماسيوتيكالز. وقد نشر 85 مقالة في المجلات التي تمت مراجعتها من قبل النظراء مع أكثر من 15000 استشهاد. حصل على درجة البكالوريوس في الكيمياء من جامعة ماساتشوستس والدكتوراه. حصل على درجة الدكتوراه من قسم الكيمياء البيولوجية في جامعة ميشيغان، وأكمل زمالة ما بعد الدكتوراه في وارنر لامبرت/بارك ديفيس.
تظهر هذه المشاركة من خلال المؤثرون في MedCity برنامج. يمكن لأي شخص نشر وجهة نظره حول الأعمال والابتكار في مجال الرعاية الصحية على MedCity News من خلال MedCity Influencers. انقر هنا لمعرفة كيف.
