شرکت دارو سازی آمریکایی ایلای لی لی در این نوع آزمایش ها از هوش مصنوعی مولد برای تولید میلیون‌ها مولکول استفاده کرده است. از آنجایی که هوش مصنوعی با سرعتی که دارد قادر است در زمانی کمتر از پنج دقیقه به همان اندازه مولکول تولید کند که این شرکت در طول یک سال در آزمایشگاه های سنتی خود تولید می کند، این امر از مزیت های هوش مصنوعی است که کاری منطقی در پزشکی محسوب می شود. اما هیچ راهی برای دانستن اینکه آیا انبوه مولکول های تولید شده با هوش مصنوعی در دنیای واقعی کاربرد دارد یا نه وجود ندارد، و این چیزی است که مدیران این شرکت‌ نسبت به آن بدبین هستند و می خواهند اطلاعات بیشتر در این مورد داشته باشند.

برترین طرح‌های بیولوژیکی تولید شده توسط هوش مصنوعی، مولکول‌هایی است که این مدیر ارشد اطلاعات و دیجیتال شرکت دارو سازی آمریکایی ایلای لی لی آن ها را «ساختارهای عجیب‌وغریب» توصیف می‌کند که نمی‌توان آن‌ها را در پایگاه‌داده مولکولی موجود این شرکت مطابقت داد، اما به نظر می‌رسد، این داده های جدید کاندیدهای دارویی بالقوه قوی باشند که به دانشمندان تحقیقاتی این شرکت منتقل شده و می تواند راهگشا باشد.

راو که در جمع شرکت کنندگان در نشست شورای اجرایی فناوری CNBC در نوامبر گذشته سخن می گفت، با اشاره به اینکه قبل از ارائه نتایج هوش مصنوعی فکر نمی کردیم که این فناوری جدید اینقدر خوب باشد، افزود: نتایج بدست آمده برایمان تعجب آور بود، چرا که به این فکر نکرده بودیم که می توانیم یک مولکول را به این شکل طراحی کنیم.

وی گفت: این موضوع برایم یک اتفاق عجیبی بود. ما همیشه در مورد آموزش ماشین‌ها صحبت می‌کنیم، اما هنر دیگر این است که ماشین‌ها ایده‌هایی را بر اساس مجموعه داده‌هایی تولید می‌کنند که انسان‌ها قادر به دیدن یا تجسم آن‌ها نیستند. این امر با تحریک خلاقیت بیشتر، مسیرهایی در توسعه پزشکی را می گشاید.

به گفته مدیرانی که در حوزه هوش مصنوعی و مراقبت های بهداشتی کار می کنند، این میدان در مسیری قرار دارد که در آینده نزدیک شاهد تولید داروهایی به طور کامل توسط هوش مصنوعی خواهیم بود. به عقیده برخی، در چند سال آینده هوش مصنوعی همانند مواد مخدر به یک هنجار تبدیل خواهد شد. به هرحال، هوش مصنوعی مولد به سرعت در حال تسریع کاربرد خود در پیشرفت‌ها و کشف داروهای جدید است، در اقدامی که نه تنها صنعت داروسازی بلکه ایده‌های مختلف این کره خاکی را که قرن‌ها در روش علمی ساخته شده‌اند، تغییر می‌دهد.

زمانی که DeepMind گوگل قالب پروتئین را شکست

به گفته کیمبرلی پاول، معاون مراقبت های بهداشتی در انویدیا، لحظه ای که این مسیر برای اولین بار مشخص شد سال ها قبل از نفوذ ChatGPT به آگاهی عمومی بود؛ زمانی که واحد هوش مصنوعی DeepMind گوگل پیشگام کاربرد مدل های زبان هوش مصنوعی در زیست شناسی بود.

پاول گفت: AlphaFold لحظه محوری بود که ما می‌توانیم این مدل‌های ترانسفورماتور را با مجموعه داده‌های بسیار بزرگ آموزش دهیم و از توالی اسید آمینه به ساختار پروتئینی برسیم، که هسته اصلی توسعه و طراحی دارو است.

پیشرفت‌های مرتبط با هوش مصنوعی در حوزه‌ای از زیست‌شناسی اتفاق می‌افتد که به طور فزاینده‌ای با آنچه پاول به عنوان «مقیاس‌ها و وضوح‌های بی‌سابقه» توصیف می‌کند، دیجیتالی شده است.

این یک انقلاب پزشکی است که شامل ژنومیک فضایی اسکن میلیون‌ها سلول در بافت، به صورت سه بعدی و ساخت مدل هوش مصنوعی است که به طور خاص از فهرستی از مواد شیمیایی در حال حاضر به شکل دیجیتالی بهره می‌برد که به مدل‌های ترانسفورماتور هوش مصنوعی مولد اجازه می‌دهد تا اکنون روی آن کار کنند.

پاول در این باره گفت: این آموزش را می‌توان با استفاده از یادگیری بدون نظارت و با نظارت انجام داد، و می‌توان آن را نه تنها به سرعت، بلکه به صورت تخیلی انجام داد. هوش مصنوعی می‌تواند به مدل‌های دارویی فکر کند که یک انسان نمی‌خواهد.

یک قیاس برای درک توسعه داروهای هوش مصنوعی را می توان در مکانیسم های ChatGPT یافت. پاول گفت: این اساساً در هر کتاب، هر صفحه وب، هر سند PDF آموزش داده شده است، و دانش جهان را به گونه‌ای رمزگذاری کرده است که می‌توانید از آن سؤال بپرسید و می‌تواند برای شما پاسخ ایجاد کند.

نسخه GPT کشف دارو

کشف دارو فرآیندی است برای مشاهده فعل و انفعالات و تغییرات در رفتار بیولوژیکی، اما آنچه در آزمایشگاه ماه ها یا سال ها طول می کشد، می تواند در مدل های کامپیوتری که رفتار بیولوژیکی سنتی را شبیه سازی می کند، نشان داده شود. پاول گفت: زمانی که می‌توانید رفتار آن ها را شبیه‌سازی کنید، می‌توانید پیش‌بینی کنید که چگونه ممکن است چیزها با هم کار کنند و تعامل داشته باشند. ما اکنون این توانایی را داریم که دنیای داروها – زیست شناسی و شیمی – را به نمایش بگذاریم، زیرا ما ابررایانه های هوش مصنوعی با استفاده از هوش مصنوعی و روشی شبیه به GPT داریم، و با تمام داده های زیست شناسی دیجیتال، می توانیم برای اولین بار دنیای داروها را در یک رایانه نشان دهیم.

این یک انحراف اساسی از روش تجربی کلاسیک است که در قرن گذشته کشف دارو تسلط داشته است؛ آزمایش های گسترده، جمع آوری بعدی داده ها، تجزیه و تحلیل داده ها در سطح انسانی، و به دنبال آن فرآیند طراحی دیگری بر اساس آن نتایج. دانشمندان و مدیران با آزمایش در آزمایشگاه های یک شرکت به دنبال چند نقطه تصمیم گیری هستند و امیدوارند نتیجه کار آن ها منجر به آزمایشات بالینی موفقیت آمیز شود. پاول گفت: این یک فرآیند بسیار حرفه ای در کشف دارو است.

حامیان هوش مصنوعی معتقدند که این فناوری در زمان صرفه جویی می کند و نرخ موفقیت را بهبود می بخشد، فرآیند کلاسیک را به مهندسی که سیستماتیک تر و تکرارپذیرتر است تبدیل می کند و به محققان دارو اجازه می دهد تا نرخ موفقیت بالاتری ایجاد کنند. پاول با استناد به نتایج مطالعات اخیر منتشر شده در نیچر، خاطرنشان کرد که آمگن یک فرآیند کشف دارو را یافته است که زمان طولانی کشف دارو را کاهش چشمگیری می دهد. حتی مهم‌تر – با توجه به هزینه توسعه دارو، که می‌تواند از ۳۰ میلیون دلار تا ۳۰۰ میلیون دلار در هر آزمایش متغیر باشد – زمانی که هوش مصنوعی در مراحل اولیه معرفی شد، نرخ موفقیت افزایش یافت. پس از یک فرآیند توسعه سنتی دو ساله، احتمال موفقیت ۵۰/۵۰ بود. پاول گفت: در پایان فرآیند سریع‌تر تقویت هوش مصنوعی، میزان موفقیت به ۹۰ درصد افزایش یافت.

پاول گفت: برخی از ایرادات ذکر شده هوش مصنوعی مولد، به عنوان مثال، تمایل آن به “توهم”، می تواند در کشف دارو تاثیرگذار باشد. در طول چندین دهه گذشته، ما به نوعی به اهداف مشابهی نگاه کرده‌ایم، اما اگر بتوانیم از رویکرد مولد برای باز کردن اهداف جدید استفاده کنیم، چه می شود؟

داروهای جدید “توهم”

کشف پروتئین یک مثال است. تکامل بیولوژیکی با شناسایی پروتئینی به خوبی کار می کند و سپس به طور طبیعی پیش می رود. تمام پروتئین های دیگر نیز ممکن است کار کنند یا بهتر عمل کنند. از سوی دیگر، هوش مصنوعی می‌تواند کار خود را با پروتئین‌های موجود در مدل‌ها آغاز کند، رویکردی که در یک مدل تجربی کلاسیک غیرقابل دفاع است. با توجه به اعداد، هوش مصنوعی اکتشاف بسیار بزرگتری برای نمایان کردن، دارد. پاول گفت: با تعداد بالقوه‌ای از پروتئین‌هایی که می‌توانند به‌عنوان یک درمان عمل کنند، اساساً نامحدود است – ۱۰ به توان ۱۶۰0 یا ده با صد و شصت صفر – و محدودیت موجود برای کار با پروتئین‌هایی که طبیعت به بشریت داده است، کم است. می‌توانید از این مدل‌ها برای ایجاد توهم پروتئین‌هایی استفاده کنید که ممکن است تمام عملکردها و ویژگی‌های مورد نیاز ما را داشته باشند. پاول گفت که این می‌تواند به جایی برود که ذهن انسان نمی‌خواهد، اما کامپیوتر می‌تواند.

دانشگاه تگزاس در آستین اخیراً یکی از بزرگترین خوشه‌های محاسباتی NVIDIA را برای مرکز جدید هوش مصنوعی خود خریداری کرده است. اندی الینگتون، استاد علوم زیستی مولکولی این دانشگاه، گفت: همانطور که ChatGPT می‌تواند از رشته‌های حروف یاد بگیرد، مواد شیمیایی را می‌توان به صورت رشته‌ها نشان داد و ما می‌توانیم از آن ها یاد بگیریم. الینگتون گفت که هوش مصنوعی یاد می‌گیرد که داروها را از غیرداروها متمایز کند و داروهای جدید ایجاد کند، به همان روشی که ChatGPT می‌تواند جملات ایجاد کند. او گفت: از آنجایی که این پیشرفت‌ها با تلاش‌های مداوم در پیش‌بینی ساختارهای پروتئینی همراه است، به زودی می‌توان ترکیبات دارویی مشابهی را که می‌توانند برای اهداف کلیدی مناسب باشند، شناسایی کرد.

دانیل دیاز، محقق فوق دکتری در علوم کامپیوتر که گروه پروتئین های عمیق را در مؤسسه بنیادهای یادگیری ماشینی UT هدایت می کند، گفت که بیشتر کارهای فعلی هوش مصنوعی در مورد داروها بر کشف مولکول های کوچک متمرکز است، اما او فکر می کند که تاثیر بزرگتر در توسعه این داروها خواهد بود. او می بیند که بیولوژیک های جدید (داروهای مبتنی بر پروتئین)، چگونه می توانند با کمک هوش مصنوعی روند یافتن بهترین طرح ها را سرعت بخشند.

گروه او در حال انجام آزمایش‌های حیوانی بر روی یک داروی درمانی برای سرطان سینه هستند که نسخه مهندسی شده پروتئین انسانی است که متابولیت کلیدی را که سرطان سینه به آن وابسته است را تجزیه می‌کند. به طور سنتی، زمانی که دانشمندان برای درمان به پروتئین نیاز دارند، به دنبال چندین ویژگی از جمله پروتئین های پایدار هستند که به راحتی از هم نمی پاشند. این امر مستلزم آن است که دانشمندان مهندسی ژنتیک را برای بهینه سازی یک پروتئین معرفی کنند که فرآیندی دست و پا گیر در کار آزمایشگاهی است.

اکنون، مدل‌های هوش مصنوعی به کاهش احتمالات کمک می‌کنند، بنابراین دانشمندان سریع‌تر تغییرات بهینه را می‌شناسند. در آزمایشی که دیاز به آن اشاره کرد، استفاده از یک نسخه تقویت‌شده با هوش مصنوعی که پایدارتر است منجر به بهبود تقریباً هفت برابری در بازده پروتئین شد، بنابراین محققان پروتئین بیشتری برای آزمایش، استفاده و غیره دریافت کردند. ، او گفت. از آنجایی که این یک پروتئین مبتنی بر انسان است، احتمال حساسیت بیماران به دارو به حداقل می رسد.

انتشار اخیر انویدیا از آنچه «خدمات ریز» برای مراقبت های بهداشتی هوش مصنوعی، از جمله برای کشف دارو است، به محققان اجازه می دهد تا تریلیون ها ترکیب دارویی را غربال کنند و ساختارهای پروتئین را پیش بینی کنند. شرکت طراحی نرم افزار محاسباتی Cadence در حال ادغام هوش مصنوعی Nvidia در یک پلتفرم طراحی مولکولی است که به محققان اجازه می دهد کتابخانه های داده را با صدها میلیارد ترکیب تولید، جستجو و مدل کنند. همچنین قابلیت های تحقیقاتی مرتبط با مدل پروتئینی AlphaFold-2 DeepMind را ارائه می دهد.

پاول گفت: استفاده از AlphaFold برای یک زیست شناس سخت است، بنابراین ما آن را ساده کرده ایم. می‌توانید به یک صفحه وب بروید و یک توالی اسید آمینه را وارد کنید و ساختار واقعی ظاهر شود. اگر بخواهید این کار را با یک جستجو و تحقیقات انجام دهید، این کار ۵ میلیون دلار برای شما هزینه خواهد داشت و برای اجرا به سه [کارگر معادل تمام وقت] FTE نیاز دارید، و ممکن است ساختار را در یک سال به دست آورید. پاول گفت: ما آن را در یک صفحه وب به سرعت انجام دادیم.

در نهایت، داروهای طراحی شده با هوش مصنوعی بر اساس آخرین مرحله سنتی در توسعه دارو، یعنی عملکرد در آزمایشات انسانی، تولید می شود.

پاول گفت: شما هنوز باید اثبات پایه ای ایجاد کنید. او سطح پیشرفت فعلی را با آموزش خودروهای خودران مقایسه کرد، جایی که داده ها به طور مداوم برای تقویت و بهبود مدل ها جمع آوری می شوند. او افزود: شما می‌توانید از این روش‌ها برای کاوش فضای جدید استفاده کنید… آن را تقویت کنید و آزمایش‌های هوشمندانه‌تری انجام دهید و آن داده‌های آزمایش را بردارید و به مدل‌ها برگردانید، تا به نتیجه برسید. اما فضای بیولوژیکی در زمینه مدل‌های هوش مصنوعی در مقایسه با آن هنوز کوچک است. صنعت هوش مصنوعی در محدوده یک تریلیون مدل یا بیشتر در حوزه‌های پردازش چند وجهی و زبان طبیعی قرار دارد. در مقایسه، تعداد مدل‌های زیست‌شناسی به ده‌ها میلیارد می‌رسد.

پاول گفت: ما در مراحل اولیه کار با هوش مصنوعی در پزشکی هستیم و کار زیادی پیش روی داریم.

 نویسنده: تروور لارنس جوکیمز، استاد ادبیات و فرهنگ معاصر در دانشگاه نیویورک

مترجم: سید مسلم یگانه