انقلاب خاموش در صنعت دارو

نهاد ناظر دارو در ایالات متحده، U.S. Food and Drug Administration، به‌تازگی برنامه‌ای آزمایشی را آغاز کرده که می‌تواند یکی از کندترین و پیچیده‌ترین مراحل توسعه دارو را دگرگون کند: بررسی داده‌های آزمایش‌های بالینی. در این طرح، داده‌های مربوط به آزمایش داروها نه پس از پایان مطالعه، بلکه به‌صورت هم‌زمان و با کمک هوش مصنوعی تحلیل می‌شوند؛ تغییری که به گزارش رویترز می‌تواند زمان تأیید داروها را به طور قابل‌توجهی کاهش دهد.
تا پیش‌ازاین، مسیر تأیید دارو شبیه صفی طولانی بود. شرکت‌های دارویی باید ماه‌ها و گاه سال‌ها منتظر می‌ماندند تا داده‌های آزمایش‌های بالینی‌شان بررسی شود؛ اما در مدل جدید، این فرایند هم‌زمان با انجام آزمایش پیش می‌رود. نهاد ناظر در همان لحظه‌ای که داده تولید می‌شود، آن را می‌بیند، تحلیل می‌کند و درباره آن تصمیم می‌گیرد. تغییری که در نگاه اول شاید صرفاً فنی به نظر برسد، اما در واقع نشانه جابه‌جایی عمیق‌تری است: ورود هوش مصنوعی به قلب تصمیم‌گیری در صنعت دارو.

این تحول فقط به نهادهای نظارتی محدود نمی‌شود. چند سالی است که هوش مصنوعی به‌آرامی از حاشیه آزمایشگاه‌ها به مرکز صنعت داروسازی آمده؛ جایی که تصمیم گرفته می‌شود کدام مولکول به دارو تبدیل شود و کدام نه. برای درک اهمیت این تغییر، باید کمی عقب‌تر رفت، به جایی که مشکل از همان جا آغاز می‌شود.

چرا ساخت دارو این‌قدر سخت است؟

کشف یک داروی جدید یکی از پرریسک‌ترین و پرهزینه‌ترین فعالیت‌های علمی است. بر اساس داده‌های «Tufts Center for the Study of Drug Development»، هزینه توسعه یک داروی جدید می‌تواند به بیش از ۲.۶ میلیارد دلار برسد. در کنار هزینه، زمان نیز عامل تعیین‌کننده‌ای است. از نخستین ایده تا ورود یک دارو به بازار، معمولاً بیش از ۱۰ سال طول می‌کشد.

اما شاید مهم‌تر از زمان و هزینه، نرخِ شکست باشد. طبق گزارش‌های منتشرشده در «Nature Reviews Drug Discovery»، تنها حدود ۱۰ درصد از داروهایی که وارد مرحله آزمایش انسانی می‌شوند، در نهایت تأیید می‌گیرند. به بیان دیگر، از هر ۱۰ پروژه دارویی، ۹ پروژه به شکست می‌انجامد.

در چنین شرایطی، صنعت داروسازی عملاً بر پایه عدم قطعیت پیش می‌رود: سرمایه‌گذاری‌های عظیم روی پروژه‌هایی که احتمال موفقیتشان پایین است. طبیعی است که هر ابزاری که بتواند این عدم قطعیت را کاهش دهد، ارزش بالایی داشته باشد. اینجاست که هوش مصنوعی وارد میدان می‌شود.

وقتی الگوریتم‌ها وارد آزمایشگاه می‌شوند

هوش مصنوعی در ساده‌ترین تعریف، ابزاری برای یافتن الگو در داده‌های پیچیده است و داروسازی دقیقاً یکی از پیچیده‌ترین حوزه‌های داده‌محور به شمار می‌رود: از اطلاعات ژنتیکی گرفته تا ساختار پروتئین‌ها و واکنش‌های شیمیایی.
در سال‌های اخیر، الگوریتم‌ها توانسته‌اند کارهایی انجام دهند که پیش‌تر بسیار دشوار بود: شناسایی پروتئین‌های مرتبط با بیماری، پیش‌بینی ساختار سه‌بعدی آن‌ها و حتی طراحی مولکول‌هایی که می‌توانند به این پروتئین‌ها متصل شوند.

یکی از نقاط عطف مهم در این مسیر، توسعه مدل «AlphaFold» توسط «DeepMind» بود. این مدل توانست ساختار میلیون‌ها پروتئین را پیش‌بینی کند – کاری که پیش‌ازاین ممکن بود سال‌ها زمان ببرد. نتایج این پروژه در Nature منتشر شد و بسیاری آن را یکی از بزرگ‌ترین پیشرفت‌های زیست‌شناسی در دهه اخیر دانستند. این دستاورد تنها یک موفقیت علمی نبود؛ زیرساختی فراهم کرد که می‌تواند پایه‌ای برای توسعه داروهای جدید باشد.
سرعتی که قواعد بازی را تغییر می‌دهد

اگر یک ویژگی باشد که هوش مصنوعی را در داروسازی متمایز کند، «سرعت» است. بر اساس گزارشی از «McKinsey & Company»، استفاده از هوش مصنوعی می‌تواند زمان مراحل اولیه کشف دارو را بین ۳۰ تا ۵۰ درصد کاهش دهد. این یعنی فرایندی که پیش‌تر چند سال طول می‌کشید، اکنون ممکن است در چند ماه انجام شود. نمونه‌های عملی نیز وجود دارد. شرکت «Insilico Medicine» با استفاده از هوش مصنوعی موفق شد یک داروی جدید برای بیماری فیبروز ریوی طراحی کند و آن را در حدود ۳۰ ماه به مرحله آزمایش انسانی برساند؛ مسیری که معمولاً پنج تا شش سال زمان می‌برد. نتایج این پروژه در «Nature Biotechnology» منتشر شده است. این کاهش زمان تنها به معنای سرعت بیشتر نیست؛ به معنای کاهش هزینه و ریسک نیز است.

آیا داروها ارزان‌تر می‌شوند؟

در نگاه نخست پاسخ ساده به نظر می‌رسد: اگر هزینه تولید کاهش یابد، قیمت نیز باید کاهش پیدا کند؛ اما واقعیت صنعت دارو پیچیده‌تر از این است. تحلیل‌های اقتصادی نشان می‌دهد که قیمت دارو تنها به هزینه تولید وابسته نیست. عواملی مانند انحصار، سیاست‌های قیمت‌گذاری، قدرت شرکت‌های دارویی و ساختار نظام‌های بیمه‌ای نقش مهم‌تری در تعیین قیمت دارند.
به همین دلیل، حتی اگر هوش مصنوعی هزینه کشف دارو را کاهش دهد، لزوماً به معنای ارزان‌تر شدن دارو برای مصرف‌کننده نخواهد بود. بااین‌حال برخی کارشناسان معتقدند که در بلندمدت، کاهش هزینه‌های تحقیق و افزایش رقابت می‌تواند فشار کاهشی بر قیمت‌ها وارد کند.

هوش مصنوعی فقط دارو نمی‌سازد

نقش هوش مصنوعی به مرحله کشف دارو محدود نمی‌شود. یکی از مهم‌ترین کاربردهای آن در آزمایش‌های بالینی است – مرحله‌ای که بسیاری از پروژه‌های دارویی در آن شکست می‌خورند. الگوریتم‌ها می‌توانند بیماران مناسب برای آزمایش را دقیق‌تر انتخاب کنند، عوارض جانبی احتمالی را پیش‌بینی کنند و داده‌های پیچیده آزمایش‌ها را سریع‌تر تحلیل کنند. برنامه جدید U.S. Food and Drug Administration نیز دقیقاً در همین نقطه قرار می‌گیرد: استفاده از هوش مصنوعی برای افزایش سرعت و دقت در تصمیم‌گیری‌های نظارتی.

روند ساده نیست

با وجود این پیشرفت‌ها، بسیاری از دانشمندان نسبت به «هیجان بیش از حد» درباره هوش مصنوعی هشدار می‌دهند.

مطالعات منتشرشده در «Science» و «Nature Medicine» نشان می‌دهد که هنوز شواهد قطعی مبنی بر افزایش نرخ موفقیت نهایی داروها با استفاده از AI وجود ندارد.

چالش‌ها نیز کم نیستند: داده‌های پزشکی اغلب ناقص یا پراکنده‌اند، زیست‌شناسی بدن انسان بسیار پیچیده‌تر از آن است که به‌سادگی مدل‌سازی شود و الگوریتم‌ها ممکن است دچار سوگیری شوند. به بیان دیگر، هوش مصنوعی می‌تواند مسیر را کوتاه‌تر کند، اما تضمینی برای رسیدن به مقصد نیست.

در آینده بدن انسان شبیه‌سازی می‌شود

یکی از ایده‌های بلندپروازانه در این حوزه، ساخت «دوقلوی دیجیتال» از بدن انسان است، مدلی که بتواند واکنش بدن به داروها را شبیه‌سازی کند. اگر این ایده به واقعیت تبدیل شود، می‌توان داروها را پیش از آزمایش روی انسان در محیطی مجازی بررسی کرد. چنین رویکردی می‌تواند زمان، هزینه و ریسک توسعه دارو را به طور چشمگیری کاهش دهد.

این پروژه‌ها هنوز در مراحل اولیه‌اند، اما جهت حرکت صنعت را نشان می‌دهند: حرکت از آزمایش‌های پرهزینه و زمان‌بر به سمت مدل‌سازی و پیش‌بینی.

تغییری که تازه آغاز شده

آنچه امروز در صنعت داروسازی دیده می‌شود، یک تغییر تدریجی است. هوش مصنوعی هنوز جای دانشمندان را نگرفته، اما به ابزاری تبدیل شده که بدون آن رقابت در این صنعت دشوار خواهد بود.

از آزمایشگاه‌ها تا نهادهای نظارتی، از طراحی مولکول تا تصمیم‌گیری درباره ایمنی دارو، الگوریتم‌ها به‌تدریج وارد تمام مراحل این زنجیره می‌شوند. شاید مهم‌ترین تغییر، در نگاه به علم باشد: اینکه بخشی از تصمیم‌گیری درباره سلامت انسان به ماشین‌هایی سپرده می‌شود که تجربه انسانی یا قضاوت اخلاقی ندارند – اما می‌توانند داده‌ها را با دقتی فراتر از توان انسان تحلیل کنند.

سؤال اینجاست: در آینده‌ای که داروها با کمک الگوریتم‌ها ساخته و تأیید می‌شوند، نقش انسان چه خواهد بود؟ پاسخ این سؤال هنوز روشن نیست؛ اما یک چیز مشخص است: مسیر ساخت دارو دیگر مانند گذشته نخواهد بود.