آیا بدون آزمایش روی انسان می‌توان سرطان را درمان کرد؟
آندری جورجسکو، مدیرعامل و هم‌بنیان‌گذار Vivodyne، می‌پرسد: بدون آزمایش روی انسان، این مدل‌ها قرار است چه کاری انجام دهند؟ قرار است سرطان را در موش‌ها درمان کنند.
البته خود آمودی در نوشته‌های قبلی‌اش مطرح کرده بود که هوش مصنوعی می‌تواند سرطان را درمان کند. سم آلتمن نیز بارها درمان سرطان را یکی از دلایل تلاش OpenAI برای دستیابی به هوش مصنوعی عمومی و توسعه زیرساخت‌های محاسباتی بزرگ‌تر عنوان کرده است.
دمیتری هاسابیس، مدیرعامل Google DeepMind، نیز سال گذشته گفت هوش مصنوعی ممکن است بتواند طی یک دهه تمام بیماری‌ها را درمان کند.
با این حال، موانع موجود الزاماً مشکلاتی نیستند که هوش مصنوعی امروز بتواند آنها را حل کند.
شرکت Isomorphic Labs که برای توسعه دستاوردهای AlphaFold تأسیس شده، انتظار دارد نخستین آزمایش‌های خود را که ابتدا برای سال ۲۰۲۵ برنامه‌ریزی شده بود، تا پایان امسال آغاز کند.
این شرکت در ماه فوریه نوشت که کشف واقعی دارو به «مدل‌های پیش‌بینی بسیار دقیق در طیف گسترده‌ای از ویژگی‌ها و برهم‌کنش‌های زیست‌شیمیایی» نیاز دارد.
بیشتر بخوانید: تدابیر امنیتی جدید OpenAI برای کنترل مدل‌های قدرتمند هوش مصنوعی
مشکل داده‌های زیستی هوش مصنوعی
جورجسکو معتقد است این حوزه به یک «بررسی واقع‌بینانه» نیاز دارد، زیرا مدل‌های فعلی داده کافی برای درک پیچیدگی زیست‌شناسی انسان ندارند. این مشکل پیش‌تر نیز صنعت داروسازی را تحت تأثیر قرار داده است.
حدود ۹۰ درصد از داروهایی که در آزمایش‌های حیوانی مؤثر هستند و وارد آزمایش‌های بالینی می‌شوند، در نهایت تأییدیه نهادهای نظارتی برای استفاده انسانی را دریافت نمی‌کنند.
رویکرد Vivodyne متفاوت است. این شرکت در سال ۲۰۲۱ و پس از دریافت مدرک دکتری جورجسکو در رشته مهندسی زیستی از دانشگاه پنسیلوانیا، از این دانشگاه جدا شد. Vivodyne می‌گوید بافت‌های تولیدشده در این شرکت شباهت زیادی به عملکرد اندام‌های واقعی انسان دارند.
هدف Vivodyne این است که با پیش‌بینی دقیق‌تر عملکرد داروها، مسیر توسعه داروهای جدید را سریع‌تر کند و پیش از صرف هزینه‌های سنگین برای آزمایش‌های بالینی، مشخص شود کدام نامزدهای دارویی احتمال موفقیت بیشتری دارند. آزمایش‌های بالینی معمولاً ده‌ها میلیون دلار هزینه دارند.
بیشتر بخوانید: گوگل از هوش مصنوعی درمانی MedLM رونمایی کرد
تولید داده‌های علّی برای مدل‌های جدید
با این حال، هدف اصلی Vivodyne فراتر از تسریع کشف دارو است. جورجسکو آزمایشگاه‌های زیستی خودکار این شرکت را ابزاری برای تولید داده‌های علّی می‌داند، داده‌هایی که می‌توان از آنها برای آموزش مدل‌های جدید درباره زیست‌شناسی انسان استفاده کرد.
او به پژوهشی در Nature Methods اشاره می‌کند که ماه گذشته منتشر شد و نشان داد هنگام آموزش مدل‌های هوش مصنوعی مولد با داده‌های سلولی موجود، الگوی مشخصی برای افزایش عملکرد مدل‌ها با افزایش مقیاس داده‌ها مشاهده نمی‌شود.
دستگاه‌های HIVE شرکت Vivodyne، صدها هزار آزمایش در حال انجام را دنبال می‌کنند که در آنها بافت‌های بیمار در معرض محرک‌های مختلف قرار می‌گیرند. جورجسکو انتظار دارد این داده‌ها نوعی یادگیری تقویتی ایجاد کنند که به ساخت مدل‌های هوش مصنوعی قادر به درک زیست‌شناسی انسان و ایجاد پیشرفت‌های معنادارتر در حوزه سلامت منجر شود.
او معتقد است این رویکرد نه‌تنها برای حل چالش‌های پزشکی امروز، بلکه برای آینده‌ای که در آن بیماری‌های پیچیده به داروهایی نیاز دارند که برخلاف بیشتر داروهای امروزی، چندین مسیر زیستی را هدف قرار دهند، اهمیت خواهد داشت.
جورجسکو می‌گوید اگر قرار باشد درمان‌های ترکیبی توسعه پیدا کنند، تعداد ترکیب‌های ممکن آن‌قدر زیاد خواهد بود که نمی‌توان تنها با روش‌های تجربی آنها را بررسی کرد. به گفته او، باید بتوان مشخص کرد «می‌خواهم این اثر اتفاق بیفتد، پس چه علتی باید ایجاد کنم؟» و ایجاد رابطه علّی در زیست‌شناسی انسان، اساس تمام این فرایند است.
