انقلاب هوش مصنوعی در داروسازی؛ چرا وال استریت هنوز متقاعد نشده است؟

به گزارش شبکه اطلاع‌رسانی طلا و ارز هوش مصنوعی ثابت کرده است که می‌تواند کارهایی را که انسان‌ها در حال حاضر بلدند، تسریع کند: از نوشتن نرم‌افزار گرفته تا خلاصه‌سازی جلسات گزارش درآمد و خودکارسازی کارهای روزمره. اما اینکه آیا می‌تواند به کشف چیزهایی که انسان‌ها هنوز نمی‌دانند کمک کند یا خیر، یک «سوال تریلیون دلاری» است. هیچ‌چیز بیشتر از بهبود فرآیند ساخت دارو برای بیماری‌هایی مانند آلزایمر و سرطان نمی‌تواند وعده‌های هوش مصنوعی را به اثبات برساند.

با این حال، توسعه دارو دقیقاً همان جایی است که هوش مصنوعی با واقعیت سرسختِ زیست‌شناسیِ انسان برخورد می‌کند. وال استریت منتظر شواهدی است که نشان دهد هوش مصنوعی می‌تواند اقتصاد داروسازی را دگرگون کند. تا زمانی که این اتفاق نیفتد، سرمایه‌گذاران دلیل چندانی برای پاداش دادن به داروسازان (به همان شکلی که به شرکت‌های سازنده ابزارهای هوش مصنوعی پاداش داده‌اند) ندارند.

تحول ملموس در فضای آزمایشگاه

در فضای آزمایشگاه، هوش مصنوعی در حال حاضر جهش ملموسی در بهره‌وری ایجاد کرده است؛ از پیش‌بینی نحوه تاخوردگی پروتئین‌ها و شناسایی اهداف دارویی بالقوه گرفته تا غربالگری مجازی میلیون‌ها مولکول. به طور سنتی، دانشمندان اهداف دارویی را عمدتاً به صورت دستی انتخاب می‌کردند، به این شکل که با تکیه بر تحقیقات قبلی تصمیم می‌گرفتند کدام پروتئین‌ها ممکن است در یک بیماری نقش داشته باشند و سپس ماه‌ها یا سال‌ها را صرف آزمایش آن فرضیه‌ها در آزمایشگاه می‌کردند.

در شرکت «جنین‌تک» (Genentech) متعلق به کمپانی روش (Roche)، آویو رگو، زیست‌شناس محاسباتی، سیستمی ساخته که خودش آن را «آزمایشگاه در چرخه» می‌نامد. مدل‌های هوش مصنوعی اهداف و مولکول‌های امیدوارکننده را پیش‌بینی می‌کنند، محققان آن پیش‌بینی‌ها را به صورت تجربی آزمایش می‌کنند و داده‌های به‌دست‌آمده برای بهبود دور بعدی پیش‌بینی‌ها، دوباره به مدل‌ها تزریق می‌شود.

رگو می‌گوید این رویکرد، دامنه برنامه‌های تحقیقاتی‌ای که دانشمندان می‌توانند به طور واقع‌بینانه دنبال کنند را گسترش داده است. او در مصاحبه‌ای اشاره می‌کند که مزیت این سیستم آن نیست که هوش مصنوعی بهتر از انسان استدلال می‌کند، بلکه این است که می‌تواند دانش بیولوژیکی بسیار بیشتری را نسبت به هر محقق انسانی جذب کرده و از آن استفاده کند. او می‌گوید: «هوش مصنوعی باهوش‌تر نیست، اما چیزی که به دانشمندان ما کمک می‌کند این است که اطلاعات را به شکلی بسیار بسیار گسترده کدگذاری و پردازش می‌کند.»

چالش سودآوری و واقعیت‌های بیولوژیک

شکی نیست که علم شگفت‌انگیزی در جریان است. اما سوال این است که آیا این دستاوردها به سودآوری و نتیجه نهایی هم می‌رسند یا خیر. در دهه‌های اخیر، فناوری‌هایی مانند ژنومیک، اتوماسیون و غربالگری با توان عملیاتی بالا، توانایی دانشمندان را برای تولید و آزمایش ایده‌ها گسترش دادند، اما هرگز نتوانستند به طور مداوم بازدهی هر دلارِ سرمایه‌گذاری‌شده در تحقیقات را افزایش دهند.

مشکل، کمبود ایده نیست. چالش اصلی، تبدیل این ایده‌ها به داروهایی است که روی بدن انسان جواب بدهند. تنها حدود ۱ از هر ۱۰ داروی کاندیدا که وارد کارآزمایی‌های بالینی انسانی می‌شود، در نهایت به بازار راه پیدا می‌کند و بسیاری از این شکست‌ها پس از سال‌ها تحقیق و میلیاردها دلار سرمایه‌گذاری رخ می‌دهند.

تقابل قانون مور و قانون اروم

در دنیای محاسبات کامپیوتری، «قانون مور» (Moore’s Law) پویایی نوآوری را نشان می‌دهد که باعث رشد نمایی در عملکرد تراشه‌ها می‌شود. اما تحقیقات دارویی به نوعی در جهت مخالف حرکت کرده است: یعنی با گذشت زمان، کندتر و گران‌تر شده است. دانشمندان برای این روند معکوس نامی گذاشته‌اند: «قانون اروم» که برعکس املای قانون مور است.

جک اسکانل، یکی از نویسندگان مقاله‌ای در سال ۲۰۱۲ که این اصطلاح را ابداع کرد، معتقد است بخشی از این مشکل صرفاً به دلیل بازده نزولی است: هر داروی جدید باید بهتر از داروهای قبلی خود عمل کند، از جمله داروهای ژنریک ارزانی که در حال حاضر به خوبی کار می‌کنند. در تئوری، این دقیقاً همان دیواری است که هوش مصنوعی برای شکستن آن ساخته شده است؛ با جستجو در میان دانش انباشته‌شده بشری و کشف امکاناتی که هیچ محقق انسانی نمی‌توانست آن‌ها را پیدا کند.

اما یافتن احتمالات، با اثبات کارایی آن‌ها یکی نیست. کشت‌های سلولی، حیوانات آزمایشگاهی و مدل‌های کامپیوتری همچنان جایگزین‌های ناقصی برای بدن انسان هستند. اسکانل این چالش را به شکلی ملموس بیان می‌کند: «آموزش هوش مصنوعی با داده‌های امروزی می‌تواند مثل این باشد که بخواهید ماشین خودران خود را برای رانندگی در سانفرانسیسکو، با آموزش دوچرخه‌سواری به یک قورباغه آماده کنید!» وسایل نقلیه خودران به این دلیل کار می‌کنند که ماشین‌های واقعی میلیون‌ها مایل در جاده‌ها رانندگی کرده‌اند. اما علم پزشکی هرگز چیزی نزدیک به یک نقشه بی‌نقص و تمیز از بدن انسان در اختیار نداشته است.

دوراهی سرمایه‌گذاران

به همین دلیل است که حتی طرفداران هوش مصنوعی نیز اذعان دارند که اثبات پتانسیل آن، چندین سال دیگر زمان می‌برد. اریک کودرر-آبرامز از شرکت آنتروپیک (Anthropic) معتقد است که هوش مصنوعی با حمله همزمان به چندین گلوگاه تحقیقاتی، احتمال موفقیت بالینی یک دارو را بالا خواهد برد. با این حال، او خاطرنشان می‌کند که این صنعت هنوز در مراحل ابتدایی خود قرار دارد.

این موضوع برای سرمایه‌گذاران یک دوراهی ایجاد می‌کند:

• از یک سو: اعتبار دادن به داروسازان در شرایطی که هزینه عرضه دارو به بازار مدام در حال افزایش است، منطقی به نظر نمی‌رسد.

• از سوی دیگر: پیشرفت هوش مصنوعی در کشف دارو آن‌قدر چشمگیر است که نمی‌توان نادیده‌اش گرفت.

مدیران عامل غول‌های داروسازی مانند «الای لیلی» و «نوارتیس» در حال تخصیص میلیاردها دلار به قدرت پردازشی و پلتفرم‌های تحقیقاتی جدید هستند. گلدمن ساکس تخمین می‌زند که دستاوردهای هوش مصنوعی در توسعه دارو، از طریق کوتاه کردن زمان توسعه و کاهش هزینه‌ها، می‌تواند در دهه آینده به ۴۰۰ میلیارد دلار برسد.

آیا زمان دگرگونی فرا رسیده است؟

در حال حاضر، هوش مصنوعی بدون تغییر دادن مهم‌ترین معیار (یعنی تعداد داروهای موفقی که به ازای هر دلار سرمایه‌گذاری تولید می‌شوند)، در حال افزایش بهره‌وری آزمایشگاه‌هاست. تا زمانی که این رقم بهبود نیابد، وال استریت دلیل چندانی برای رشد دادن سهام این بخش ندارد.

با این حال، رقابت جهانی می‌تواند این معادله را تغییر دهد. راد وونگ، سرمایه‌گذار بیوتکنولوژی استدلال می‌کند که تشدید رقابت از سوی چین (با توجه به سرعت بالای آن‌ها در تبدیل ایده‌ها به شواهد بالینی) می‌تواند ایالات متحده را مجبور کند تا در سیستم کارآزمایی‌های بالینی خود که بسیار کند و گران شده، تجدید نظر کند.

اگر این قطعات در کنار هم قرار گیرند، برندگان این بازی صرفاً شرکت‌های سازنده مدل‌های هوش مصنوعی نخواهند بود، بلکه غول‌های داروسازی خواهند بود که می‌توانند این ابزارهای قدرتمند را با داده‌های عمیق بیولوژیکی ترکیب کنند. اما باید به یاد داشت که زیست‌شناسی با ساعت خودش کار می‌کند، نه با سرعت چرخه تولید تراشه‌ها. در توسعه دارو، «واقعی بودن یک انقلاب» و «به‌زودی رخ دادن آن» به ندرت هم‌معنی هستند.