آینده هوش مصنوعی در بیوتکنولوژی اینجاست

خوراکی های کلیدی

Google DeepMind و Isomorphic Labs اخیراً از یک پیشرفت هیجان انگیز جدید به نام AlphaFold 3 رونمایی کرده اند که قرار است درک ما از زیست شناسی مولکولی و کشف دارو را تغییر دهد. این نرم افزار مجهز به هوش مصنوعی (AI) فراتر از پیش بینی تاخوردگی پروتئین است (فرایندی که زمینه را برای درک ساختار پروتئین، یک جنبه کلیدی در طراحی دارو ایجاد کرد)، اکنون نحوه تعامل پروتئین ها با DNA، RNA و سایر مولکول ها را آشکار می کند و این امر بسیار بهتر است. طراحی دارو¹ AlphaFold 3 که بر اساس موفقیت AlphaFold 2 است، از الگوریتم‌های پیشرفته هوش مصنوعی برای مدل‌سازی دقیق ساختارها و تعاملات مولکولی استفاده می‌کند. پیش‌بینی‌های آن از نظر دقت از روش‌های موجود پیشی می‌گیرد و با امکان‌پذیری سریع‌تر آزمایش فرضیه‌ها و اکتشاف هدف دارویی، تحقیقات علمی را تسریع می‌کند.²

یکی از ویژگی‌های برجسته AlphaFold 3 پیش‌بینی دقیق تعاملات بین پروتئین‌ها و مولکول‌های کوچک است که پتانسیل بسیار زیادی برای کشف دارو دارد. برای تسهیل پذیرش آن، Google DeepMind سرور AlphaFold را راه اندازی کرده است که دسترسی رایگان به محققان در سراسر جهان را ارائه می دهد. این دموکراتیزه کردن ابزارهای محاسباتی پیشرفته، دانشمندان را قادر می سازد تا اکتشافات و پیشرفت ها را سرعت بخشند.

فراتر از کشف دارو، پیش‌بینی‌های AlphaFold 3 اساس مولکولی بیماری‌ها را روشن می‌کند و تغییرات بیوشیمیایی را در مدل‌های آن برای درک تأثیر آنها بر عملکرد پروتئین وارد می‌کند. این بینش می تواند منجر به درمان های جدیدی شود که تغییرات مولکولی بیماری زا را هدف قرار می دهد.

AlphaFold 3 نشان دهنده یک جهش به جلو در درک و دستکاری ماشین آلات مولکولی حیات است. با دقت و دسترسی بی نظیر، نوید انقلابی در کشف دارو و تعمیق درک ما از فرآیندهای بیولوژیکی را می دهد. همچنین روشن می کند که چگونه هوش مصنوعی به یک تغییر تکتونیکی در دنیای بیوتکنولوژی منجر می شود و یک ابر روند جدید هیجان انگیز برای سرمایه گذارانی که به دنبال رشد بلندمدت هستند ایجاد می کند.

کشف دارو با هوش مصنوعی: 2024 و پس از آن

موضوع کشف داروی مبتنی بر هوش مصنوعی در اکوسیستم گسترده‌تر موارد استفاده از هوش مصنوعی، هنگامی که ما در سرتاسر جهان ارائه می‌کنیم، هرگز از بزرگترین هیجان برخوردار نمی‌شود. با این حال، مهم است که آنچه را که در سال 2024 می‌دانیم و پتانسیل‌هایی که ممکن است در نقطه‌ای نامشخص در آینده اتفاق بیفتد را به خود یادآوری کنیم.

ChatGPT یک نمونه عالی در فضای نرم افزاری برای سرمایه گذاران دارای سهام موضوعی بود که درسی را در مورد اینکه چگونه نرم افزار می تواند بسیار سریع گسترش یابد و مقیاس پذیر باشد ارائه می دهد. در مدت دو ماه، 100 میلیون کاربر وجود داشت.³

بیوتکنولوژی نمی بیند که داروها و روش های درمانی جدید در عرض دو ماه برای 100 میلیون نفر عرضه شود. یک فرآیند معمولی کشف دارو می تواند تقریباً 14 سال طول بکشد، تقریباً 1 میلیارد دلار هزینه داشته باشد و نرخ موفقیت داشته باشد، به این معنی که شانس انجام تمام آزمایشات مربوطه، حدود 5٪ است.⁴

همانطور که ما این کلمات را در ماه مه 2024 می نویسیم، نمی توان به یک داروخانه محلی رفت و قفسه داروهای تولید شده توسط هوش مصنوعی را یادداشت کرد. در یک تحقیق اخیر دیدیم که:⁵

• ما می توانیم فرآیند کشف دارو را به سه مرحله تقسیم کنیم. فاز 1 در 21 مولکول از 24 مولکول توسعه‌یافته با هوش مصنوعی، که شامل مولکول‌های تغییر کاربری با هوش مصنوعی، اهداف کشف‌شده با هوش مصنوعی، مولکول‌های کوچک طراحی‌شده با هوش مصنوعی، واکسن طراحی‌شده با هوش مصنوعی و آنتی‌بادی‌های طراحی‌شده با هوش مصنوعی بود، موفقیت‌آمیز بود. در حالی که این میزان موفقیت بالایی است، مهم است که بدانیم مراحل متعددی وجود دارد و تکمیل فاز 1 منجر به یک داروی موفق و در دسترس نمی‌شود.

• در فاز 2، 10 مورد موجود برای بررسی وجود دارد که در چهار مورد از آنها موفقیت حاصل شد. 40 درصد نسبت به سابقه بد نیست، اما 10 مورد موجود حجم نمونه پایینی است. همچنین خاطرنشان شد که چهار مورد از شش موردی که متوقف شده‌اند، دلیل منطقی‌تر تجاری‌محور را در مقایسه با ناکارآمدی مولکول واقعی ذکر کرده‌اند.

• هنوز اطلاعات کافی برای نتیجه گیری در مورد فاز 3 وجود نداشت.

با بررسی بیشتر و بیشتر مولکول ها، دیدن تحقیقات و پیشرفت بیشتر در این زمینه هیجان انگیز خواهد بود. به نظر می رسد دسترسی تحقیقاتی که DeepMind’s AlphaFold 3 می تواند تسهیل کند ممکن است الهام بخش تلاش های تحقیقاتی بیشتری باشد که به ما به عنوان یک جامعه این فرصت را می دهد تا مولکول های بیشتری را سریعتر وارد فرآیند آزمایش و توسعه کنیم.

با توجه به چشم‌انداز سرمایه‌گذاری برای کشف داروی مبتنی بر هوش مصنوعی، البته می‌توان فرض کرد که بزرگترین شرکت‌های داروسازی جهان عمیقاً به این تکنیک‌ها نگاه می‌کنند. جنبه مثبت این است که آنها مشاغل متنوعی هستند که احتمالاً بر اساس قدرت GLP-1 خود تجارت می کنند.⁶ نمونه کارها (به عنوان مثال)، اما نکته منفی این است که جدا کردن تأثیر خاص کشف داروی مبتنی بر هوش مصنوعی بر قیمت سهام دشوار است. ما در مورد Exscientia و Recursion به عنوان نمونه‌هایی از شرکت‌هایی که مستقیماً روی کشف داروی مبتنی بر هوش مصنوعی متمرکز شده‌اند هیجان‌زده هستیم، اما توجه داریم که تمرکز افق زمانی طولانی‌تری روی این شرکت‌ها داریم.

استراتژی هوش مصنوعی و نوآوری WisdomTree: تنوع در طول جدول زمانی نوآوری

در WisdomTree، ما آن را ساخته ایم صندوق هوش مصنوعی و نوآوری WisdomTree (WTAI)، که برای ردیابی، قبل از هزینه، کل عملکرد بازگشتی طراحی شده است شاخص هوش مصنوعی و نوآوری WisdomTree. هنگامی که ما در مورد قرار گرفتن در معرض اکوسیستم گسترده هوش مصنوعی فکر می کنیم، یکی از ملاحظات ما جدول زمانی بالقوه برای تحقق اساسی نوآوری است.

• وقتی به کشف داروی مبتنی بر هوش مصنوعی نگاه می کنیم، شرکت هایی مانند Schrodinger، Exscientia و Recursion را داریم. ما می دانیم که، حتی اگر از پتانسیل هیجان زده باشیم، نمی دانیم که این شرکت ها چه زمانی یا آیا مسئول داروهای پرفروش در بازار خواهند بود یا خیر. احتمالاً در سال 2024 اطلاعات قطعی در این مورد نداریم. این نمونه ای از یک جدول زمانی نوآوری مهم اما افق طولانی تر است.

• برای متعادل کردن آن، ما به عنوان یک موضوع در معرض «هوش مصنوعی در دستگاه‌ها» قرار داریم. ما دیده‌ایم که سامسونگ و آلفابت قابلیت‌های هوش مصنوعی را مستقیماً روی تلفن‌های هوشمند اعلام کرده‌اند و معتقدیم که در ماه ژوئن، باید در رویداد WWDC بیشتر درباره برنامه‌های اپل بشنویم.⁷ علاوه بر این، ما می دانیم که شرکت های خاصی مانند کوالکام در حال طراحی تراشه هایی هستند که قابلیت های هوش مصنوعی زیادی را برای لپ تاپ ها به ارمغان می آورد.

در حالی که دشوار است بدانیم چه زمانی داروهای ثابت طراحی شده با هوش مصنوعی خواهیم داشت، اما در سال 2024، این امکان وجود دارد که جهان چرخه به‌روزرسانی سخت‌افزاری را با افراد و شرکت‌هایی که نمونه‌های هوش مصنوعی را ببینند و آن دستگاه‌های جدید را خریداری کنند، انجام دهیم. مزیت عملکرد ما می دانیم که موضوعات مختلف هوش مصنوعی انتظارات زمانی معقول متفاوتی خواهند داشت و سعی می کنیم اطمینان حاصل کنیم که تنوع در این خط از ساخت نمونه کارها بخشی از تفکر ما است.

¹ دئوکسی ریبونوکلئیک اسید (به اختصار DNA) مولکولی است که حامل اطلاعات ژنتیکی برای رشد و عملکرد ارگانیسم است. ریبونوکلئیک اسید (RNA) مولکولی است که در اکثر موجودات زنده و ویروس ها وجود دارد.

² “AlphaFold 3 ساختار و فعل و انفعالات همه مولکول های زندگی را پیش بینی می کند.” وبلاگ Google، 5/8/24.

³ منبع: Visual Capitalist. https://www.visualcapitalist.com/wp-content/uploads/2023/07/CP_Threads-Fastest-100-Million.jpg

⁴ منبع: «کاربردهای درمانی جدید»، مرکز ملی پیشرفت علوم ترجمه، 4/19/24، ncats.nih.gov/research/research-activities/ntu.

⁵ منبع گلوله: جایاتونگا و همکاران. داروهای کشف شده توسط هوش مصنوعی چقدر در آزمایشات بالینی موفق هستند؟ اولین تحلیل و درس های در حال ظهور، “کشف دارو امروز، جلد 29، شماره 6، ژوئن 2024.

⁶ GLP-1 به “پپتید شبه گلوکاگون” اشاره دارد و اغلب برای درمان موارد خاصی از دیابت یا چاقی استفاده می شود.

⁷ منبع: “کنفرانس جهانی توسعه دهندگان اپل در 10 ژوئن 2024 باز می گردد”، اپل، 26/3/24. https://www.apple.com/newsroom/2024/03/apples-worldwide-developers-conference-returns-june-10-2024/#:~:text=CUPERTINO%2C%20CALIFORNIA%20Apple%20today%20announced، Apple%20Park%20در%20باز شدن%20روز.