رقابت چند میلیارد دلاری در حوزه داروسازی

به گزارش کارگروه فناوری اطلاعات سایبربان؛ در دسامبر سال 2018، زیست شناسان اجلاسی را در یکی از شهرهای مکزیک برگزار کردند تا روی یک یافته خاص مطالعه انجام دهند. دیپ مایند (DeepMind)، آزمایشگاه هوش مصنوعی الفبت (Alphabet)، شرکت خواهر گوگل، در یک رقابت مربوط به پیش‌بینی شکل پروتئین‌ها بر پایه کد ژنتیکی، بسیاری از متخصصان این حوزه را شکست داده بود.

شاید مسئله یاد شده مهم به نظر نرسد؛ اما درک شیوه اتصال پروتئین‌ها به یکدیگر در فضای 3 بعدی، برای ایجاد دارو بسیار مهم است. دیپ مایند هم‌اکنون می‌تواند شکل پروتئین‌ها با دقت بسیار بالایی نسبت به متخصصان و افراد دانشگاهی تشخیص بدهد.

محمد القریشی، زیست‌شناس و محقق دانشگاه هاروارد و یکی از شرکت‌کنندگان رقابت یاد شده گفت:

برای من مشخص است که مردم از چندین دهه قبل در چنین زمینه‌ای کار می‌کنند. حقیقت این است که یک گروه جدید می‌تواند وارد شده و به سرعت عملکرد خوبی از خود نشان دهد. من احساس بدی دارم؛ زیرا فناوری به نمایش گذاشته شده نشان از ناکارآمدی دانشگاه‌ها دارد.

آیا ممکن است فرد یا گروه خارجی که تجربه کمی در زیست‌شناسی دارند، بتوانند بهتر از متخصصان آن حوزه عمل کنند؟ دستاورد دیپ مایند این سؤال را به وجود می‌آورد که آیا شرکت‌های داروسازی بزرگ قادر خواهند بود در صورت ورود الفبت یا دیگر فعالان فناوری به این حوزه، تسلط خود روی این صنعت را حفظ کنند؟ شرکتی که خود را به صورت پیوسته به عنوان یک مرکز و نیروگاه هوش مصنوعی معرفی می‌کند.

واقعیت این است که تعداد بسیار زیادی از شرکت‌های جدید به‌منظور ایجاد داروهای جدید و سرعت دهی به روند تحقیقات از هوش مصنوعی بهره گرفته و به رقابت با یکدیگر می‌پردازند؛ بنابراین محققان ممکن است به جای سال‌ها تلاش تنها در مدت چند هفته به مولکول‌های نجات بخش دست پیدا کنند.

غول‌های داروسازی امروزی از پیشرفت یاد شده آگاه هستند. آن‌ها سرمایه‌گذاری‌های گسترده‌ای را در زمینه آزمایشگاه‌های هوش مصنوعی خود انجام می‌دهند و به خرید یا پشتیبانی از استارت‌آپ‌های این حوزه می‌پردازند. با توجه به برخی گزارش‌های منتشر شده، ارزش شرکت‌های داروسازی آمریکا در 2018 به 9.4 میلیارد دلار رسید و این عدد تا پایان 2019، حدود 4.4 میلیارد دلار دیگر افزایش پیدا می‌کند. با وجود این بدون توجه به پیروز رقابت کشف دارو، هوش مصنوعی تأثیر بسزایی در این حوزه خواهد گذاشت.

راهبرد سرمایه‌گذاری برای باقی ماندن در رقابت

شرکت‌های داروسازی، مدت‌ها قبل از پیروزی دیپ مایند در رقابت مذکور، از هوش مصنوعی بهره می‌گرفتند؛ اما هم‌اکنون تعداد رقیبانی ماندن دیپ مایند و شرکت‌های بزرگ دیگر افزایش یافته است. بسیاری از داروسازها برای باقی ماندن در رقابت، سرمایه‌گذاری‌های گسترده‌ای روی استارت‌آپ‌ها خارجی انجام می‌دهند؛ حتی اگر بدانند آن شرکت نوپا در نهایت به رقیبی برای خودشان تبدیل می‌شود.

برای مثال، شرکت داروسازی «جانسون اند جانسون» (Johnson & Johnson) در میان سرمایه‌گذاران استارت‌آپ بلکثرون (BlackThorn)، دیده می‌شود. بلکثرون روی توسعه دارویی برای اختلالات روانی متمرکز بوده و ارزش آن در اوایل 2019 به 75 میلیون دلار رسیده است. این شرکت نوپا به منظور درک بهتر تأثیر احتمالی دارو روی وضعیت روانی از تصاویر مغزی بهره می‌گیرد. این شرکت فاز دوم آزمایش بالینی خود را برای درمان اختلالات افسردگی تا پایان سال آغاز خواهد کرد و در صورت موفقیت، به یکی از رقیبان جانسون اند جانسون تبدیل می‌شود.

جانسون اند جانسون همچنین قراردادی را با شرکت دیگری به نام «بنولنت ای آی» (BenevolentAI) امضا کرده است. بنولنت به منظور شناسایی اهداف صحیح در بدن بیمار تا حد زیادی از ادبیات علمی برای آموزش الگوریتم‌های خود بهره می‌گیرد. سرمایه‌گذاری‌های جانسون اند جانسون نشان‌دهنده تخمین زدن‌های گسترده و دفاعی این شرکت است.

به علاوه شرکت‌های دارویی دیگری مانند نوارتیس (Novartis)، «آسترا زنیکا» (AstraZeneca) و «گلاکسو اسمیث کلین» (GlaxoSmithKline) نیز به طور مشابه با استارت‌آپ‌های هوش مصنوعی قرارداد امضا کرده‌اند. اگر هر یک از این شرکت‌ها به فرمول پیش‌بینی دارو و بیماری برسند، شرکت‌های داروسازی سنتی با مشکل مواجه خواهند شد. آن‌ها همچنین ممکن است در موقعیتی قرار بگیرند که شرکت‌های همکار خود را خریداری کنند.

در هر صورت، در حالی که استارت‌آپ‌ها فناوری را در اختیار دارند، شرکت‌های داروسازی بزرگ، بودجه‌ای دارند که بسیاری از آزمایش‌ها را به واقعیت تبدیل می‌کند. در نتیجه آن‌ها می‌توانند با یکدیگر کار کرده و خطر حضور شرکت‌هایی مانند دیپ مایند را در این صنعت دفع کنند.

بازسازی شرکت‌های داروسازی از ریشه

استارت‌آپ‌های فعال در حوزه داروسازی و هوش مصنوعی نیز اهداف خود را دنبال می‌کنند. تعدادی از آن‌ها امیدوارند به مرکزی تحقیقاتی و توسعه جدید تبدیل شوند و آزمایش‌های بالینی را به شرکت‌های بزرگ واگذار کنند.

برای مثال اینسیلیکو (Insilico)، شرکت فناوری بیولوژیکی متمرکز روی افزایش طول عمر، در سپتامبر 2019 شرح داد به منظور طراحی نوعی داروی خاص از هوش مصنوعی بهره گرفته و این فرایند تنها 21 روز به طول انجامیده است. این کار تنها 150 هزار دلار هزینه داشته است که در دنیای کشف دارو بسیار کم است. این موضوع فواید استفاده از الگوریتم‌های یادگیری ماشینی را به منظور ایجاد داروهای جدید نشان می‌دهد. این شرکت هم‌اکنون 37 میلیون دلار بودجه به دست آورده و قصد دارد برای انجام آزمایش‌های بالینی روی انسان، با داروسازی‌های بزرگ همکاری کند.

اینسیلیکو برای آموزش الگوریتم یادگیری ماشینی خود از نتایج تحقیقات علمی موجود استفاده کرد؛ اما برای مطالعات بالینی به شرکای بزرگ خود وابسته است. این راهبرد در جهات تقویت صنعت داروسازی با ابزارهایی است که سریع‌تر مولکول‌های بالقوه را شناسایی می‌کنند. سپس با تکیه بر شرکت‌های بزرگ عملکرد واقعی داروها مورد بررسی قرار می‌گیرد.

تعدادی از محققان هم‌اکنون در رابطه با شیوه عملکرد اینسیلیکو صحبت می‌کنند.

کریس گیبسون (Chris Gibson)، مدیرعامل ریکارشن (Recursion)، استارت‌آپ کشف دارو با کمک هوش مصنوعی و رقیب اصلی اینسیلیکو گفت:

حقیقت این است که هیچ جهشی در کار نیست.

گیبسون توضیح داد، درست است که مولکول کشف شده توسط شرکت مذکور قابل شناخته نشده است؛ اما پیشرفت عظیمی نیز به حساب نمی‌آید؛ زیرا این مولکول تفاوت بسیار کمی با نمونه‌های شناسایی شده توسط دانشمندان در گذشته دارد. همچنین عده‌ای دیگر نیز معتقدند ممکن است پژوهشگران انسانی نیز بتوانند در مدت‌زمان مشابه، نتیجه‌ای یکسان به دست آورند و معیار مناسبی برای بررسی این موضوع وجود ندارد.

مدیرعامل ریکارشن همچنین به مشکلات پیش‌بینی اتصالات مولکولی توسط دیپ مایند اشاره می‌کند که به طور مشابه توسط محققان فعال در این زمینه نیز تکرار شده است. با وجود این که چنین دستاورد بسیار مهم است؛ اما تنها بخشی از معادله کشف دارو را در اختیار پژوهشگران قرار می‌دهد.

وی معتقد است برای دستیابی به پیشرفت واقعی در زمینه داروسازی باید شرکت‌های این حوزه را از پایه بازسازی کرد. در واقع این شرکت‌ها به جای این که روی تحقیق و توسعه روی منابع خارجی و استارت‌آپ‌های هوش مصنوعی سرمایه‌گذاری کنند، دانشمندان باید در صورتی که قصد کشف داروی جدید دارند، به موازات با هوش مصنوعی روی تحقیقات متمرکز شوند. این شیوه باعث می‌شود بهترین نوع داده‌ها برای تغذیه هوش مصنوعی به دست آید و نتایج بهبود پیدا کنند. به این دلیل که استفاده از داده‌های موجود در طولانی مدت نتایج مناسبی ارائه نمی‌دهند؛ زیرا این اطلاعات بدون یادگیری ماشینی به دست آمده‌اند.

با وجود پیشرفت‌های صورت گرفته، استفاده از هوش مصنوعی برای ایجاد داروهای جدید همچنان یک فرایند نامطمئن به حساب می‌آید.

گیبسون شرح داد:

چالش اصلی صنعت داروسازی برای بیش از یک دهه این است که 90 درصد داروهای تولید در مرحله آزمایش بالینی شکست می‌خورند. این یعنی از هر 10 آزمایش، 9 عدد آن‌ها به نتیجه نمی‌رسند.

اگر قرار باشد هوش مصنوعی به عنوان یک ابزار نیز همان نرخ موفقیت را در بهترین حالت ارائه بدهد، نمی‌توان به آن تکیه کرد. این فناوری قبلاً فرایند تولید دارو را تغییر داده است؛ اما به نظر نمی‌رسد که دیپ مایند در آینده‌ای نزدیک به جایگزینی در صنعت داروسازی تبدیل گردد.