نقش هوش مصنوعی در افزایش بازده آزمایشگاهی
کشف دارو یک حوزه پرهزینه و پرریسک است. از دهه ۱۹۵۰، هزینه توسعه داروهای جدید تقریباً هر ۹ سال دو برابر شده است؛ پدیدهای که به قانون ایروم (Eroom’s Law) معروف است. امروزه آوردن یک داروی جدید به بازار به طور متوسط ۱۰ تا ۱۵ سال زمان میبرد و بین ۱ تا ۲.۵ میلیارد دلار هزینه دارد و نرخ شکست آن بیش از ۹۰ درصد است.
هوش مصنوعی بزرگترین شرطبندی صنعت داروسازی برای افزایش نرخ موفقیت و کاهش زمانبندیهاست. پال بلچر، مدیر استراتژی تحقیقات پروتئین در شرکت Cytiva میگوید: «هوش مصنوعی رویکردی است که شرکتهای دارویی امیدوارند نهتنها زمان توسعه را کاهش دهد، بلکه امکان ارائه داوطلبان باکیفیتتر به کلینیکها را فراهم کند.»
یکی از امیدوارکنندهترین کاربردهای هوش مصنوعی، شناسایی ترکیبات هدف (Hit identification) است. هوش مصنوعی اکنون بهجای غربالگری فیزیکی، ترکیبات را از صفر طراحی کرده و نحوه تعامل آنها با اهداف بیماری را قبل از هرگونه سرمایهگذاری در تحقیق و توسعه پیشبینی میکند.
نیاز به دادههای کامل و باکیفیت
مدلهای اولیه هوش مصنوعی اغلب بر روی دادههای عمومی آموزش دیده بودند و اکنون به اصطلاح به دیوار داده (Data wall) برخورد کردهاند. سوگیری در انتشار (انتشار فقط نتایج مثبت) مشکل دیگری است که باعث میشود مدلها درک کاملی از شکستها نداشته باشند.
بلچر معتقد است دادههایی که میتواند مدلها را بهبود بخشد — یعنی آزمایشهای ناموفق و ترکیباتی که پیوند نمیخورند — همچنان به سختی به دست میآیند. وی میگوید: «ما اغلب به شوخی میگوییم که باید مجلهای برای دادههای منفی وجود داشته باشد.»
علاوه بر این، یکپارچهسازی سیستمهای آزمایشگاهی برای ایجاد دادههای FAIR (قابل یافت، در دسترس، تعاملپذیر و قابل استفاده مجدد) برای تحقق رویای آزمایشگاههای خودمختار ضروری است. در نهایت، با بلوغ این مدلها، انتظار میرود تا ۲ تا ۳ سال آینده اولین داروی کشفشده عمدتاً توسط طراحی هوش مصنوعی، تأییدیه FDA را دریافت کند.