آخرین شرکتی که از آزمایشگاه پزشکی استانفورد خارج شد، 37000 کارمند دارد که هیچ یک از آنها انسان نیست. نه فضای آزمایشگاهی وجود دارد، نه حقوق و دستمزد، و نه وقفه ناهار. در مطالعه‌ای که در 17 سپتامبر در ژورنال Science منتشر شد، محققان یک شرکت بیوتکنولوژی مجازی کاملاً با هوش مصنوعی را توصیف کردند که ده‌ها هزار آزمایش بالینی را تجزیه و تحلیل کرد، یک سیگنال بیولوژیکی را کشف کرد که پیش‌بینی می‌کند کدام داروها موفق خواهند شد، و به طور مستقل یک درمان سرطان ریه را طراحی کردند که بعداً یک شرکت بزرگ داروسازی به تنهایی به آن رسید.
یک شرکت دارویی کامل ساخته شده از عوامل
این پروژه زاییده فکر جیمز زو، دانشیار علوم داده های زیست پزشکی در پزشکی استنفورد، و دانشجوی فارغ التحصیل هریسون ژانگ است که کار را رهبری می کرد. این بر اساس "آزمایشگاه مجازی" عوامل دانشمند هوش مصنوعی است که گروه زو در سال 2025 راه اندازی کرد - اما این بار تیم فراتر رفت و یک شرکت کامل با ده ها هزار عامل هوش مصنوعی ایجاد کرد که برای پشتیبانی از خط لوله کامل توسعه دارو آموزش دیده بودند.
ایده ما این بود که ببینیم تا چه حد می‌توانیم این کار را پیش ببریم. آیا می‌توانیم یک شرکت بیوتکنولوژی ایجاد کنیم که همه چیز را از جستجوی اهداف دارویی گرفته تا طراحی آزمایش‌های بالینی انجام دهد؟ زو در اطلاعیه پزشکی استنفورد گفت. آیا می‌توانیم یک شرکت کاملاً نمایندگی داشته باشیم که با چالش‌های بسیار پیچیده کشف دارو مقابله کند؟»
این شرکت مجازی نمودار سازمانی یک بیوتکنولوژی تثبیت شده را منعکس می کند: یک عامل افسر ارشد علمی، تیم های تحقیقاتی تقسیم شده به بخش های تخصصی را هدایت می کند که به موازات عناصر اصلی طراحی دارو، از شناسایی اهداف مولکولی تا طراحی آزمایشات بالینی، کار می کنند.
آنچه 37000 نماینده در 50000 آزمایش پیدا کردند
یکی از بزرگ‌ترین چالش‌ها در کشف دارو، پیش‌بینی این است که کدام مولکول‌ها از آزمایش‌های بالینی جان سالم به در خواهند برد – فرآیندی که یادداشت‌های Zou می‌تواند ده‌ها یا حتی صدها میلیون دلار هزینه داشته باشد و سال‌ها طول بکشد. به این عوامل یک وظیفه دقیق اختصاص داده شد: به جای بررسی گسترده متون علمی، هر عامل یک کارآزمایی بالینی خاص را تجزیه و تحلیل کرد و داده‌های مربوط به ایمنی و اثربخشی را بازیابی کرد. در مجموع، آنها تقریباً 50000 کارآزمایی را در کمتر از یک هفته فهرست‌بندی کردند، وظیفه‌ای که زو می‌گوید سال‌ها برای محققان انسانی زمان می‌برد.
سپس این عوامل داده های مولکولی جمع آوری شده در طول آن آزمایشات را بررسی کردند و دو سیستم امتیازدهی ساختند. اولین مورد اندازه گیری شد که چگونه یک دارو به طور خاص یک نوع سلول خاص را هدف قرار می دهد، به جای اینکه بر بسیاری از انواع سلول ها تأثیر بگذارد. دومین مورد اندازه‌گیری شده «دو وجهی» - اینکه آیا فعالیت یک ژن هدف مانند یک کلید چراغ، روشن و خاموش شدن، یا مانند یک دیمر با طیفی از حالت‌های میانی رفتار می‌کند.
الگویی که ظاهر شد چشمگیر بود. داروهایی که ژن‌های سوئیچ‌مانند را به روشی خاص سلول هدف قرار می‌دهند، ۴۰ درصد بیشتر از فاز ۱ به فاز ۲ پیش می‌روند، ۴۸ درصد احتمال بیشتری برای رسیدن به بازار دارند و در مقایسه با داروهایی که فعالیت گسترده‌ای داشتند، ۳۲ درصد عوارض جانبی کمتری داشتند. این اثر در سرطان‌ها، بیماری‌های مغزی، بیماری‌های قلبی و بیماری‌های کلیوی و ریوی ادامه داشت.
زو گفت: "علمی که عوامل کشف کردند واقعا هیجان انگیز است و نشان می دهد که می توان از این ویژگی های تک سلولی برای ساخت داروهای بهتر استفاده کرد." "این به اهمیت جمع آوری این نوع داده ها اشاره می کند. این می تواند به کل صنعت کشف دارو کمک کند."
تست B7-H3: از پیش‌بینی تا اعتبارسنجی
سوال تعیین کننده این بود که آیا یک شرکت تمام هوش مصنوعی می تواند یک داروی واقعی طراحی کند؟ برای یافتن این موضوع، تیم به این عوامل روی B7-H3 اشاره کرد، پروتئینی که مدت ها مورد توجه محققان سرطان ریه بود. این عوامل مطالعات و مخازن داده های زیست پزشکی را تجزیه و تحلیل کردند و دریافتند که B7-H3 به شدت در فیبروبلاست ها - سلول های بافت همبند که اغلب در نزدیکی سلول های تومور زندگی می کنند - بیان می شود. آنها با کاوش در داده‌های رونویسی فضایی، دریافتند که این فیبروبلاست‌های بیان‌کننده B7-H3 به سلول‌های ایمنی مجاور سیگنال می‌دهند و آنها را سرکوب می‌کنند و به طور موثر تومور را از دفاع طبیعی بدن می‌پوشانند.
سپس این عوامل یک ترکیب آنتی‌بادی-دارو را طراحی کردند - پروتئینی هدفمند که روی سلول‌های حامل B7-H3 فراوان قرار می‌گیرد و محموله شیمی‌درمانی را مستقیماً به آنها می‌رساند. مهمتر از همه، این طرح تنها بر اطلاعات موجود قبل از ژانویه 2025 متکی بود. ماه ها بعد، در آگوست 2025، یک شرکت دارویی تاسیس شده به طور مستقل همان استراتژی ترکیبی آنتی بادی-دارو را علیه B7-H3 توسعه داد. این درمان پس از نشان دادن اثربخشی در یک مطالعه انسانی، به عنوان درمان پیشرفت‌کننده FDA دریافت کرد - نتیجه‌ای که Zou آن را به‌عنوان تایید مستقل و شخص ثالث طراحی بیوتکنولوژی مجازی توصیف می‌کند.
Zou B7-H3 را بیشتر دنبال نمی کند، زیرا شرکت دیگری از قبل آن را به سمت کلینیک ها هدایت می کند. اما او می‌گوید که بیوتکنولوژی مجازی، اهداف نامزد دیگری را که به همین روش طراحی شده‌اند، ظاهر کرده است.
انسان ها مجرا باقی می مانند
علیرغم مقیاس نیروی کار نماینده، زو در مورد محدودیت ها صریح است. او گفت: انسان‌ها، آزمایش‌های فیزیکی و اعتبارسنجی همیشه مجرای تأثیرگذاری هوش مصنوعی خواهند بود. گام بعدی این تیم انتقال یافته‌های جدید بیوتکنولوژی مجازی به آزمایشگاه‌های واقعی است تا آزمایش کنند که چه تعداد در دنیای فیزیکی پایدار هستند.
این تحقیق توسط بورسیه نایت-هنسی، مؤسسه ملی بهداشت، بنیاد ملی علوم، و Chan Zuckerberg Biohub، با حمایت بیشتر از بخش علوم داده های زیست پزشکی استانفورد تامین شد.
چرا مهم است
این مطالعه در بحبوحه تغییر گسترده‌تری در نحوه کاربرد هوش مصنوعی در علم انجام می‌شود - از مدل‌هایی که تحقیقات را خلاصه می‌کنند تا سیستم‌های عاملی که آزمایش‌ها را برنامه‌ریزی می‌کنند، داده‌ها را تجزیه و تحلیل می‌کنند و درمان‌های جدید را پیشنهاد می‌کنند. پوشش کار توسط نیویورک تایمز و مطبوعات صنعت ژنومیک بر توجهی که چارچوب "بیوتکنولوژی مجازی" به خود جلب کرده است، تأکید می کند.
اگر نتیجه طراحی قبل از تأیید اعتبار در B7-H3 نشانه‌ای باشد، صنعت داروسازی کلاس جدیدی از ابزار تحقیقاتی برای ارزیابی دارد: سازمان‌های عوامل هوش مصنوعی که می‌توانند سال‌ها بررسی ادبیات و تجزیه و تحلیل آزمایشی را به چند روز فشرده کنند. سوال باز - سوالی که تیم زو اکنون در حال آزمایش است - این است که چقدر از آنچه که عوامل پیشنهاد می کنند از تماس با یک نیمکت آزمایشگاهی فیزیکی جان سالم به در می برد.
از هوش مصنوعی جلوتر بمانید
هوش مصنوعی تحقیقات را در هر سطحی، از کشف دارو تا فیزیک بنیادی، متحول می کند. برای اخبار جدید هوش مصنوعی و تجزیه و تحلیل تحقیقاتی که این زمینه را شکل می دهد، [اخبار هوش مصنوعی را بیشتر بخوانید →] (https://aibuzzwire.news/en).
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
