از آزمایشگاههای دیجیتال تا تشخیص زودهنگام آلزایمر
پژوهشگران و شرکتهای زیستفناوری در نشست Kadans Oncology Summit در پاریس تصویری روشن از نسل جدید ابزارهای هوش مصنوعی در توسعه دارو ارائه کردند؛ از مدلهایی که پاسخ بیماران به درمان را پیشبینی میکنند تا سامانههایی که میتوانند بخشی از آزمایشهای پیشبالینی را در محیطی کاملاً دیجیتال شبیهسازی کنند.
در این نشست، از پروژههایی رونمایی شد که دامنه کاربرد آنها از توسعه دستیارهای هوشمند برای پژوهشگران حوزه ویرایش ژن گرفته تا مدلهایی را در بر میگیرد که میتوانند نشانههای اولیه آلزایمر را از روی یک نمونه خون تشخیص دهند. در کنار این نمونههای امیدوارکننده، سخنرانان بر یک نکته نیز تأکید داشتند: هوش مصنوعی هنوز جایگزین آزمایشهای زیستی و کارآزماییهای بالینی نشده و مسیر رسیدن به چنین نقطهای همچنان با چالشهای علمی و فنی همراه است.
هوش مصنوعی در کدام بخش از توسعه دارو وارد عمل میشود؟
توسعه یک داروی جدید معمولاً بیش از یک دهه زمان میبرد و میلیاردها دلار هزینه در بر دارد. این فرآیند با شناسایی یک هدف درمانی آغاز میشود، سپس به مطالعات پیشبالینی، آزمایش روی انسان و در نهایت دریافت مجوزهای قانونی میرسد. در هر مرحله نیز احتمال شکست بالاست.
به همین دلیل، شرکتهای دارویی سالهاست به دنبال ابزارهایی هستند که بتوانند بخشی از این مسیر را سریعتر، دقیقتر و کمهزینهتر کنند. هوش مصنوعی یکی از مهمترین گزینههایی است که طی سالهای اخیر وارد این حوزه شده است.
کاربرد AI در صنعت داروسازی تنها به تولید مولکولهای جدید محدود نمیشود. این فناوری میتواند میلیونها داده ژنتیکی، مولکولی و بالینی را همزمان تحلیل کند، اهداف درمانی بالقوه را شناسایی کند، احتمال موفقیت یک دارو را برآورد کند و حتی به پژوهشگران در طراحی آزمایشهای بعدی پیشنهاد ارائه دهد.
مدلهای دیجیتال؛ آیا میتوانند جای آزمایش روی حیوانات را بگیرند؟
یکی از موضوعات اصلی نشست پاریس، استفاده از مدلهای In Silico بود؛ شبیهسازیهای رایانهای که با اتکا به دادههای واقعی، رفتار سلولها، بافتها یا بیماریها را پیشبینی میکنند.
این مدلها در نقطه مقابل آزمایشهای In Vivo قرار میگیرند که روی موجودات زنده انجام میشوند و همچنین با آزمایشهای In Vitro که در محیط آزمایشگاه و روی سلولها انجام میشوند تفاوت دارند. هدف از توسعه مدلهای In Silico حذف کامل آزمایشهای سنتی نیست، بلکه کاهش تعداد آنها و افزایش دقت تصمیمگیری در مراحل اولیه تحقیق است.
پل دیکینسون، دانشمند ارشد شرکت Seda Pharmaceuticals، در این نشست گفت از نگاه او مدلهای دیجیتال تفاوتی اساسی با مدلهای سلولی یا حیوانی ندارند و همه آنها ابزارهایی هستند که پژوهشگران برای مقابله با سرطان در اختیار دارند.
او تأکید کرد انتخاب مدل مناسب به پرسش پژوهش بستگی دارد. گاهی یک مدل ساده پاسخ مورد نیاز را ارائه میدهد و گاهی برای رسیدن به نتیجه باید از مدلهای پیچیده مبتنی بر یادگیری ماشین و هوش مصنوعی استفاده کرد.
پیشرفت فناوری یک واقعیت است، اما محدودیتها همچنان پابرجاست
با وجود هیجان پیرامون مدلهای دیجیتال، شواهد علمی نشان میدهد این فناوری هنوز با بلوغ کامل فاصله دارد.
در مقاله به یک مرور پژوهشی منتشرشده در سال ۲۰۲۵ اشاره شد که بیش از ۲۰۰ مقاله علمی و ۴۸ کارآزمایی بالینی مرتبط با مدلهای In Silico را بررسی کرده بود. نتیجه این بررسی چندان امیدوارکننده نبود؛ کمتر از یکچهارم مطالعات نتایجی قابل تکرار داشتند و تنها ۲۰ درصد آنها دادههای مورد استفاده خود را بهصورت عمومی منتشر کرده بودند.
تکرارپذیری یکی از اصول اساسی پژوهش علمی است. اگر گروههای تحقیقاتی دیگر نتوانند با همان دادهها و همان روشها به نتایج مشابه برسند، اعتماد به آن مدل کاهش پیدا میکند. به همین دلیل، بسیاری از متخصصان معتقدند توسعه مدلهای هوش مصنوعی باید همزمان با افزایش شفافیت دادهها و ارزیابیهای مستقل پیش برود.
چرا آزمایشهای حیوانی هنوز حذف نشدهاند؟
یکی از واقعبینانهترین دیدگاههای نشست را لورا زویا، مدیر ارشد Charles River Laboratories، مطرح کرد.
او گفت این شرکت طی یک دهه گذشته در نزدیک به ۸۰ درصد داروهای جدیدی که موفق به دریافت تأییدیه سازمان غذا و داروی آمریکا (FDA) شدهاند، مشارکت داشته و بر اساس این تجربه، هنوز تغییر چشمگیری در استفاده از حیوانات آزمایشگاهی مشاهده نمیشود.
به گفته او، روند جایگزینی برخی آزمایشها با مدلهای دیجیتال آغاز شده، اما سرعت آن پایین است و در برخی مناطق جهان حتی تقاضا برای حیوانات آزمایشگاهی افزایش یافته است.
زویا به تغییرات جغرافیایی صنعت بیوتکنولوژی نیز اشاره کرد. او رشد سریع صنعت زیستفناوری چین را یکی از عوامل افزایش تقاضا برای مدلهای حیوانی دانست. در مقابل، اروپا را بازاری نسبتاً باثبات توصیف کرد و گفت بخش پژوهشهای پزشکی در ایالات متحده تحت تأثیر کاهش سرمایهگذاریهای دولتی قرار گرفته است.
CRISPR-GPT؛ دستیار هوشمندی برای پژوهشگران
کاربرد هوش مصنوعی در زیستفناوری تنها به مدلسازی محدود نمیشود.
پژوهشگران Stanford Medicine سامانهای به نام CRISPR-GPT توسعه دادهاند؛ ابزاری که برای کمک به پژوهشگران حوزه ویرایش ژن طراحی شده است.
برخلاف آنچه ممکن است از نام این پروژه برداشت شود، CRISPR-GPT یک چتبات عمومی نیست. این سامانه قرار است در طراحی آزمایشها، تحلیل نتایج و شناسایی خطاهای احتمالی به پژوهشگران کمک کند.
لی کانگ، توسعهدهنده این پروژه و از نخستین دانشمندانی که نتایج پژوهشهای CRISPR را در سلولهای یوکاریوتی منتشر کرده است، ابراز امیدواری کرد چنین ابزارهایی بتوانند زمان توسعه دارو را از چند سال به چند ماه کاهش دهند و روند انجام آزمایشهای پژوهشی را سرعت ببخشند. این اظهارات در حال حاضر چشماندازی آیندهنگرانه محسوب میشود و هنوز شواهد کافی برای تحقق آن در مقیاس گسترده وجود ندارد.
پیشبینی واکنش بیماران پیش از آغاز درمان
یکی دیگر از پروژههای معرفیشده در نشست، متعلق به شرکت Orakl Oncology بود.
این شرکت سامانهای با نام AlxBio توسعه داده است که بر پایه مجموعهای محرمانه از دادههای بهدستآمده از ارگانوئیدهای توموری آموزش دیده است. ارگانوئیدها نمونههای سهبعدی کوچکی هستند که از سلولهای واقعی بیماران در آزمایشگاه رشد داده میشوند و بسیاری از ویژگیهای تومور اصلی را حفظ میکنند.
هدف این سامانه، پیشبینی واکنش هر بیمار به درمانهای مختلف و افزایش احتمال موفقیت کارآزماییهای بالینی است.
دایان-لور پاژ، بنیانگذار و مدیر عملیات Orakl Oncology، اعلام کرد این شرکت مجموعهای از «بیماران مجازی» را ایجاد کرده است؛ مدلهای رایانهای که با ترکیب دادههای زیستی و سلولی، میتوانند پاسخ احتمالی بیماران به درمانهای مختلف را شبیهسازی کنند.
وبسایت Orakl مدعی است موتور AlxBio در پیشبینی نتایج بیش از ۳۰ نامزد دارویی به دقت ۹۰ درصدی رسیده است. این عدد، ادعای خود شرکت است و مقاله به تأیید مستقل این نتایج اشاره نمیکند.
تشخیص آلزایمر از روی یک نمونه خون
در بخش دیگری از نشست، شرکت بریتانیایی Prima Mente از مجموعه مدلهای هوش مصنوعی خود با نام Pleiades سخن گفت؛ مدلهایی که برای تحلیل دادههای ژنتیکی و اپیژنتیکی انسان توسعه یافتهاند.
یکی از این مدلها برای تشخیص زودهنگام آلزایمر از روی نمونه خون آموزش دیده است.
به گفته پژوهشگران Prima Mente، بررسی نحوه تصمیمگیری این مدل نشان داده است الگوهای مربوط به طول قطعات DNA بیشترین نقش را در تشخیص بیماری دارند. سپس این یافته به مدلی قابل تفسیر برای پژوهشگران تبدیل شده که به ادعای شرکت، عملکرد بهتری نسبت به برخی نشانگرهای زیستی معرفیشده در مطالعات پیشین دارد.
فعالیت این شرکت به آلزایمر محدود نیست. مدلهای Pleiades برای تشخیص زودهنگام بیماری پارکینسون نیز به کار گرفته شدهاند و نسل دوم این سامانهها اکنون روی مدلسازی فرآیندهای بیماری در سلولهای میکروگلیا تمرکز دارد.
Prima Mente همزمان با چند پروژه پژوهشی غیرانتفاعی همکاری میکند؛ از جمله مطالعه SANDBOX با حضور بیش از هزار بیمار تحت پوشش سرویس سلامت ملی بریتانیا (NHS) و پروژه READOUT که با هدایت دانشگاه آکسفورد در زمینه زوال عقل در حال انجام است.
علاوه بر این، شرکت در حال توسعه Prima Brain Foundation Model است؛ مدلی بنیادین که هدف آن کمک به شناسایی اهداف دارویی جدید در آینده است.
هوش مصنوعی؛ ابزار مکمل، نه جایگزین پژوهش
نمونههای ارائهشده در Kadans Oncology Summit نشان میدهد هوش مصنوعی به بخش مهمی از برنامههای تحقیق و توسعه شرکتهای زیستفناوری تبدیل شده است. از مدلهای دیجیتال برای مطالعات پیشبالینی گرفته تا سامانههایی که پاسخ بیماران را پیشبینی میکنند یا در تشخیص زودهنگام بیماریهای عصبی به کار میروند، دامنه کاربرد این فناوری هر روز گستردهتر میشود.
در عین حال، شواهد موجود نیز یادآوری میکند که بسیاری از این فناوریها هنوز در مراحل مختلف توسعه یا ارزیابی قرار دارند. چالشهایی مانند تکرارپذیری نتایج، کیفیت دادهها، شفافیت مدلها و اعتبارسنجی مستقل همچنان پابرجاست و باعث میشود هوش مصنوعی فعلاً نقش مکمل پژوهشگران را ایفا کند، نه جایگزین آنها.
با این حال، تنوع پروژههایی که در این نشست معرفی شد نشان میدهد استفاده از AI در زیستفناوری دیگر به چند آزمایش محدود نیست و به بخشی از مسیر توسعه بسیاری از داروها و فناوریهای پزشکی آینده تبدیل شده است.
