تلاش استارتاپ Isomorphic Labs برای درمان سرطان؛ هوش مصنوعی چگونه مسیر دشوار داروسازی را دگرگون می‌کند؟

در دفتری وسیع در قطب هوش مصنوعی لندن، گروهی از پژوهشگران خود را برای نبردی تاریخی با دیرینه‌ترین دشمن بشریت آماده می‌کنند.

استارتاپ Isomorphic Labs که به‌عنوان زیرمجموعه‌ای مستقل از Google DeepMind و به ابتکار دمیس هاسابیس (Demis Hassabis)، پیشگام نامدار هوش مصنوعی، متولد شده است، حتی در مقایسه با استانداردهای بلندپروازانه سایر آزمایشگاه‌های هوش مصنوعی نیز هدفی شگفت‌انگیز دارد: بهره‌گیری از هوش مصنوعی برای ساخت داروهایی که بتوانند سرطان را ریشه‌کن کنند و بیماری‌ها را به پدیده‌ای متعلق به گذشته بدل سازند.

مکس جیدربرگ (Max Jaderberg)، رئیس استارتاپ Isomorphic Labs که مدیریت عملیات روزمره شرکت را تحت هدایت هاسابیس بر عهده دارد، به‌خوبی از دشواری و بزرگی این هدف آگاه است؛ بااین‌حال، این مسیر پرپیچ‌وخم به هیچ عنوان او را دلسرد نکرده است.

جیدربرگ ۳۶ ساله در گفتگویی تفصیلی اعلام کرد: «شاید این ادعا در نگاه اول عجیب یا حتی دست‌نیافتنی به نظر برسد، اما ما کاملاً جدی و با اطمینان درباره آن صحبت می‌کنیم.» او تاکید کرد که سرعت دستیابی کارکنان این شرکت به دستاوردهای جدید طی سه سال گذشته، از ریتم ماهانه به هفتگی رسیده و شتابی چشم‌گیر یافته است.

او در ادامه افزود: «تصور نمی‌کنم پنج سال دیگر دنیایی وجود داشته باشد که در آن داروها توسط هوش مصنوعی طراحی نشده باشند.»

در حال حاضر، رسیدن به چنین مقصدی راهی دراز به نظر می‌رسد. با وجود اینکه طراحی داروها به کمک هوش مصنوعی بیش از یک دهه سابقه دارد، تاکنون هیچ دارویی موفق به دریافت تأییدیه از سازمان غذا و داروی آمریکا (FDA) یا تکمیل فرایند پرپیچ‌وخم کارآزمایی‌های بالینی نشده است؛ ماراتنی فرسایشی که حدود ۹۰ درصد از نامزدهای دارویی در مراحل مختلف آن با شکست مواجه می‌شوند.

بااین‌حال، استارتاپ Isomorphic Labs به لطف مدل نامدار AlphaFold از مزیتی زودهنگام نسبت به دیگران برخوردار است. این مدل انقلابی که توسط DeepMind توسعه یافت، جایزه نوبل را برای دمیس هاسابیس به ارمغان آورد و با متحول ساختن ترسیم ساختار پروتئین‌ها، افق تازه‌ای را پیش روی طراحی داروها با هوش مصنوعی گشود.

جیدربرگ می‌گوید این استارتاپ قصد دارد با تکیه بر مدل‌های هوش مصنوعی خود، بر موانعی غلبه کند که معمولاً موجب شکست ترکیبات دارویی نویدبخش می‌شوند. این شرکت روی روشی کار می‌کند که از طریق مدل‌های پیشرفته و منابع پردازشی عظیم، نحوه تعامل مولکول دارو را با تمامی مولکول‌های دیگر در بدن پیش‌بینی کند؛ فرایندی پیچیده که آزمایش دستی و آزمایشگاهی آن مستلزم هزینه‌های سرسام‌آور خواهد بود.

این شرکت در ماه فوریه از یک «موتور طراحی دارو» رونمایی کرد که به گفته مدیرانش، عملکردی حتی فراتر از AlphaFold ارائه می‌دهد.

به گفته جیدربرگ، این سامانه امکان مهندسی دقیق مولکول‌ها را فراهم می‌سازد تا بیماران کمترین دوز موثر دارو را دریافت کنند. هدف اصلی این رویکرد، جلوگیری از عوارض جانبی ناشی از تجمع غلظت بالای دارو در جریان خون است.

جیدربرگ تصریح می‌کند که آرمان نهایی شرکت، شبیه‌سازی و پیش‌بینی چنان دقیق برهم‌کنش مولکول‌هاست که دانشمندان در فرایند طراحی دارو حتی نیازی به ورود به آزمایشگاه فیزیکی نداشته باشند.

تمرکز داخلی این تیم تحقیقاتی در حال حاضر بر توسعه داروهای نوآورانه برای درمان سرطان، اختلالات سیستم ایمنی و بیماری‌های التهابی متمرکز است.

جیدربرگ خاطرنشان می‌کند: «شرکت‌های فراوانی وجود دارند که صرفاً می‌گویند بیایید روی دارویی که هم‌اکنون در کلینیک وجود دارد تغییر کوچکی ایجاد کنیم تا با بهبودی جزیی، بخشی از سهم بازار را تصاحب نماییم.»

او می‌افزاید: «اما ما فرصت به‌مراتب بزرگ‌تری پیش رو می‌بینیم و آن هم خلق داروهایی کاملاً جدید است که تاکنون هرگز ساخته نشده‌اند.»

از نمونه‌های آزمایشگاهی تا درمان بیماران

جیدربرگ که از اعضای تیم موسس Isomorphic محسوب می‌شود، بلافاصله پس از اتمام دانشگاه توسط دمیس هاسابیس به مجموعه DeepMind دعوت شد. او در ابتدا به دنبال جذب سرمایه اولیه از هاسابیس برای استارتاپ بینایی ماشین دوران دانشجویی خود بود، اما هاسابیس در اقدامی هوشمندانه پیشنهاد داد کل آن استارتاپ را خریداری کند تا جیدربرگ به DeepMind ملحق شود.

این مهندس سابق که در خانواده‌ای از پزشکان و محققان سرطان رشد یافته (پدربزرگ او در سوئد به‌عنوان متخصص قلب بر کارآزمایی‌های دارویی نظارت داشت)، پس از تصدی پست مدیریت ارشد هوش مصنوعی، در ماه ژانویه به سمت ریاست Isomorphic Labs برگزیده شد.

او اکنون با چالشی بزرگ روبه‌روست؛ رساندن داروهای طراحی‌شده با هوش مصنوعی از مرحله کدهای کامپیوتری و نمونه‌های اولیه به مرحله درمان واقعی بیماران.

تاکنون، Isomorphic قراردادهای پژوهشی مشترکی با غول‌های داروسازی جهان از جمله Novartis، Johnson & Johnson و Eli Lilly امضا کرده است. جیدربرگ اعلام کرد که موتور جدید طراحی دارو این امکان را فراهم آورده تا آزمایش داروهای طراحی‌شده در فاز پیش‌بالینی آغاز شود و فاز آزمایش‌های بالینی انسانی نیز چندان دور نباشد.

او تاکید می‌کند: «اگر واقعاً در پی ریشه‌کن کردن تمام بیماری‌ها هستیم، به موتوری نیاز داریم که فقط به یک بیماری، یک حوزه درمانی، یک نشانه بیماری، یک نوع پروتئین یا حتی یک شیوه درمانی محدود نباشد؛ بلکه نیازمند سامانه‌ای همگانی هستیم که در تمامی زمینه‌ها کارایی داشته باشد.»

رئیس این استارتاپ از ارائه جدول زمانی دقیق برای آغاز کارآزمایی‌های بالینی خودداری کرد، برنامه‌ای که پیشتر نیز با تاخیر مواجه شده بود. بااین‌حال، او اظهار داشت که تاخیر تازه‌ای رخ نداده و این شرکت در طول یک سال گذشته تیمی ویژه برای توسعه بالینی در بوستون تشکیل داده تا زمینه را برای رسیدن به این نقطه عطف مهم فراهم کند.

حتی با وجود پیشرفته‌ترین مدل‌های هوش مصنوعی و توان پردازشی سرشار، سدی که پیش روی Isomorphic قرار دارد بسیار مهیب است. عبور موفقیت‌آمیز از گذرگاه کارآزمایی‌های بالینی و تبدیل طرح‌های روی صفحه مانیتور به داروهای واقعی، یکی از طاقت‌فرساترین مراحل در علم بیوشیمی به‌شمار می‌رود.

پژوهشگران ابتدا مولکول‌هایی را برای هدف قرار دادن یک پروتئین خاص مهندسی می‌کنند و سپس آن‌ها را در چرخه‌های فرساینده آزمون‌وخطا قرار می‌دهند. تیم‌ها بارها مجبور می‌شوند نقطه آغاز را از سر بگیرند؛ چراکه دارو در سلول‌های زنده عملکرد پیش‌بینی‌شده را نشان نمی‌دهد یا عوارض جانبی غیرمنتظره‌ای پدید می‌آورد.

در نهایت، تنها تعداد انگشت‌شماری از این طرح‌ها به مرحله آزمایش روی حیوانات می‌رسند و پس از سال‌ها بررسی مداوم، شاید کسر بسیار ناچیزی از آن‌ها مجوز ورود به کارآزمایی‌های بالینی انسانی را دریافت کنند.

کل این فرایند ممکن است بیش از یک دهه زمان ببرد. پژوهشگران دارویی بسیار موفق در طول کل دوران کاری خود شاید تنها شاهد رسیدن یک یا دو دارو به دست بیماران باشند و بسیاری از آنان حتی به همین یک مورد نیز دست پیدا نمی‌کنند.

عبور از آزمون سخت کارآزمایی‌های بالینی

جیدربرگ معتقد است نرخ شکست ۹۰ درصدی کاندیداهای دارویی ریشه در چند عامل کلیدی دارد.

به گفته او، شرکت‌های بیوتکنولوژی سنتی اغلب با محدودیت‌های شدید مالی دست‌وپنجه نرم می‌کنند؛ به همین دلیل ناچار می‌شوند روی مولکول‌هایی ریسک کنند که از نقص آن‌ها آگاهند. این مولکول‌ها ممکن است به پروتئین‌های غیرهدف متصل شوند و عوارض جانبی ناخواسته و سمیت به بار آورند.

با این وجود، از دیدگاه جیدربرگ دلایل بنیادین این شکست‌ها عمیق‌تر از این حرف‌هاست. او می‌گوید داروهای ناموفق عموماً به‌دلیل درک نادرست یا ناقص از سازوکارهای پیچیده زیست‌شناسی شکست می‌خورند.

او تاکید دارد که ساخت یک موتور واقعاً دگرگون‌کننده در طراحی دارو، نیازمند مدلی جامع از کل زیست‌شناسی است؛ مدلی که بتواند برهم‌کنش پروتئین‌ها و تک‌تک واکنش‌های شیمیایی تعیین‌کننده رشد و مرگ سلول‌ها را با دقتی بالا درک کند.

جیدربرگ می‌گوید: «این موضوع به هدفی عمیق‌تر و درازمدت اشاره دارد که ما هم‌اکنون در حال پیشبرد آن هستیم؛ اینکه چگونه می‌توان سازوکار مکانیکی زیست‌شناسی را به‌شکل بنیادین درک کرد؟»

با وجود تمام این جاه‌طلبی‌ها، مسیر رسیدن به نخستین داروی ضدسرطان طراحی‌شده توسط هوش مصنوعی هنوز با ابهامات فراوانی همراه است.

استارتاپ‌های پیشروی این حوزه مانند Recursion و Schrödinger با ناکامی‌هایی در داروهای طراحی‌شده خود مواجه شده‌اند و حتی چند کاندیدای دارویی برجسته نیز نتوانستند از فاز نخست آزمایش‌های بالینی فراتر بروند.

کارشناسان همواره بر لزوم احتیاط تاکید می‌کنند. امیلیا یاوورسکی (Emilia Javorsky)، از مدیران موسسه Future of Life، در مقاله‌ای در ماه مارس هشدار داد هرچند هوش مصنوعی در حل مسائلی با قواعد مشخص یا داده‌های فراوان بی‌نظیر عمل می‌کند، زیست‌شناسی دارای هیچ‌یک از این دو ویژگی نیست. یاوورسکی به‌شدت از «وعده‌های شتاب‌زده مدیران فناوری» مبنی بر درمان سریع بیماری‌هایی که هزاران سال بشریت را عذاب داده‌اند انتقاد کرد.

لنارد لی (Lennard Lee)، دانشیار دانشگاه آکسفورد و مدیر پروژه ابررایانش و هوش مصنوعی واکسن سرطان در بریتانیا، معتقد است که هوش مصنوعی توانایی دانشمندان را در پیش‌بینی خواص مولکولی و طراحی داروهای نو به‌کلی دگرگون کرده است؛ بااین‌حال، او هشدار می‌دهد که این داروها هنوز با «آزمون نهایی» خود روبه‌رو نشده‌اند.

او تاکید می‌کند: «توسعه دارو همچنان فوق‌العاده دشوار است و پیش‌بینی‌های نویدبخش در مواجهه با واقعیت پیچیده زیست‌شناسی مکرراً با شکست مواجه می‌شوند.»

شارلوت دین (Charlotte Deane)، استاد بیوانفورماتیک ساختاری در دانشگاه آکسفورد، نیز اشاره می‌کند که ساختار بسیاری از پروتئین‌ها در بدن انسان متغیر و سیال است؛ پدیده‌ای که مدل‌سازی آن حتی برای پیشرفته‌ترین ابزارهای هوش مصنوعی نیز چالشی بسیار سنگین به‌شمار می‌رود.

او می‌افزاید: «همه ما اهدافی بزرگ در سر داریم و این دقیقاً همان کاری است که باید انجام دهیم، اما اثبات اثر‌بخشی واقعی یک دارو فرایندی طولانی و نفس‌گیر است.»

«اسپیس‌ایکس دنیای داروسازی»

موفقیت AlphaFold شاید برتری اولیه‌ای به Isomorphic داده باشد، اما طی ماه‌های اخیر شرکت‌های Anthropic و OpenAI نیز برنامه‌های جاه‌طلبانه خود را در زمینه کشف دارو رونمایی کرده‌اند.

در ماه آوریل، شرکت OpenAI با رونمایی از مدل GPT-Rosalind گامی مهم برداشت؛ مدلی پیشرو که با هدف کوتاه کردن زمان کشف دارو تا تأییدیه نهایی طراحی شده و همکاری با شرکت‌های بزرگی چون Novo Nordisk و Moderna را در کارنامه دارد. هم‌چنین سازنده ChatGPT در ماه اکتبر پلتفرم توسعه دارویی Orchestra Bio را با مبلغی نامشخص خریداری کرد.

شرکت Anthropic نیز که اخیراً از برنامه‌های خود برای عرضه اولیه بزرگ سهام پرده برداشته، در ماه جاری از همکاری با شش نهاد فعال در علوم زیستی برای به‌کارگیری هوش مصنوعی در فرایند توسعه دارو و تسریع کارآزمایی‌های بالینی خبر داد. این آزمایشگاه بخش داخلی ویژه‌ای را برای کشف دارو راه‌اندازی کرده که درمان بیماری‌هایی مانند دیستروفی عضلانی نادر دوران کودکی را هدف قرار داده است و قصد دارد کارآزمایی‌های انسانی خود را تا اواخر سال ۲۰۲۸ آغاز کند.

داریو آمودی (Dario Amodei)، مدیرعامل Anthropic، ماه گذشته با افشای اینکه خود سابقه بهبودی از مرحله اولیه سرطان را داشته، باور خود مبنی بر توانایی هوش مصنوعی در درمان اکثر بیماری‌های عمده ظرف پنج تا ده سال آینده را به‌عنوان محور اصلی سخنانش مطرح کرد.

آمودی در ماه اوت طی یادداشتی در شبکه اجتماعی ایکس (X) گامی فراتر نهاد و استدلال کرد که نشان دادن پیشرفتی ملموس در نبرد با بیماری‌هایی چون سرطان، برای تغییر نگاه تردیدآمیز افکار عمومی به تب‌وتاب هوش مصنوعی و توجیه هزینه‌های سرسام‌آور مالی و مصرف عظیم انرژی و زمین کاملاً ضروری است.

آمودی نوشت: «در حال حاضر گفتن اینکه هوش مصنوعی سرطان را درمان خواهد کرد، بیشتر به یک کلیشه تبدیل شده تا امیدی الهام‌بخش، و بیشتر مردم آن را فریبی تبلیغاتی می‌دانند. تنها چیزی که واقعاً اثر‌بخش خواهد بود، درمان واقعی سرطان است.»

جیدربرگ می‌گوید آزمایشگاه‌های پیشرویی هم‌چون Anthropic و OpenAI که هر دو به دنبال عرضه اولیه هنگفت سهام خود هستند، بیشتر از Isomorphic به‌دنبال جوسازی رسانه‌ای و اعلام زودرس نتایج هستند.

او می‌افزاید: «ما تمایلی به بزرگ‌نمایی تبلیغاتی کارهایمان نداریم. هدف ما فروش نرم‌افزار یا اعطای لایسنس مدل‌هایمان نیست، بلکه می‌خواهیم برای بیماران دارو تولید کنیم.»

او در نهایت Isomorphic را به‌عنوان یک شرکت داروسازی یکپارچه ترسیم می‌کند که داروها را خود طراحی می‌کند، می‌سازد و مستقیماً به دست بیماران می‌رساند؛ ساختاری که او آن را «اسپیس‌ایکس دنیای کشف دارو» می‌نامد.

تمرکز کامل دمیس هاسابیس بر داروسازی

استارتاپ Isomorphic Labs برتری بزرگی نسبت به رقبای خود دارد: دمیس هاسابیس؛ فردی که پس از کناره‌گیری از ریاست DeepMind در ماه اوت برای بر عهده گرفتن نقشی تحقیقاتی و گسترده‌تر در آلفابت، همچنان به‌عنوان مدیرعامل Isomorphic فعالیت می‌کند.

هاسابیس هنگام اعلام جایگاه جدید خود تاکید کرد که تمرکز ویژه‌ای بر فعالیت در Isomorphic خواهد داشت تا به درمان بیماری‌ها کمک کند. جیدربرگ اشاره کرد که ساختار سازمانی شرکت تغییری نکرده، اما شرکت هم‌اکنون از تمرکز اختصاصی هاسابیس بیشترین بهره را می‌برد.

جیدربرگ می‌گوید: «او باور دارد این مأموریت از مهم‌ترین اهدافی است که باید دنبال کنیم. ما هم‌اکنون زمان و توجه بسیار زیادی از دمیس در اختیار داریم تا این چشم‌انداز را محقق سازیم و اختصاص فضای ذهنی بیشتر از سوی او، اتفاقی بسیار مثبت برای ما خواهد بود.»

او هم‌چنین انتظار دارد تمرکز اختصاصی Isomorphic مزیتی کلیدی در داغ‌ترین میدان رقابت هوش مصنوعی، یعنی جذب نخبگان، در برابر رقبایی چون Anthropic و OpenAI فراهم کند.

طی ماه‌های اخیر هر دو شرکت Anthropic و OpenAI با خروج چهره‌های برجسته مواجه بوده‌اند؛ پژوهشگرانی که پس از استعفا، هشدارهایی جدی درباره خطرات فاجعه‌بار ایمنی و پیامدهای نگران‌کننده هوش مصنوعی مطرح کرده‌اند.

جیدربرگ خاطرنشان کرد که Isomorphic بستری فراهم می‌کند تا دانشمندان بتوانند هوش مصنوعی را در مسیری با اثرگذاری مثبت و ملموس بر زندگی واقعی انسان‌ها به کار گیرند.

او می‌گوید: «به باور من دانشمندان و مهندسان بسیاری در حوزه هوش مصنوعی حضور دارند که می‌خواهند ثمره واقعی کار خود را ببینند؛ اثری کاملاً ملموس که تفاوت بنیادینی با ادعاهای مطرح‌شده در آزمایشگاه‌های هوش مصنوعی کنونی دارد.»

او در پایان تاکید می‌کند: «ما به‌عنوان نوع بشر، موظفیم این فناوری شگفت‌انگیز را به سمت کاربردهای واقعاً سودمند هدایت کنیم.»