کشف داروهای جدید بدون آزمایشگاه؛ استارتاپ بریتانیایی Potential Sciences با هوش مصنوعی روند درمان را سرعت می‌بخشد

یک استارتاپ نوپای بریتانیایی معتقد است که هوش مصنوعی کلید اصلی برای سرعت بخشیدن به فرآیند کند، پرچالش و غیرقابل‌پیش‌بینی طراحی دارو به‌شمار می‌رود.

استارتاپ Potential Sciences قصد دارد با تکیه بر اصول پایه فیزیک و شبیه‌سازی تعامل میان اتم‌ها، مولکول‌های کوچک و در نهایت اسیدهای آمینه و پروتئین‌های پیچیده، مجموعه‌داده‌های شیمیایی عظیمی را در مقیاس بزرگ بسازد. این شرکت امیدوار است با استفاده از این داده‌ها، مدل‌های هوش مصنوعی و سیستم‌های پیش‌بینی‌کننده‌ای را آموزش دهد که بتوانند بدون نیاز به آزمایش‌های پرهزینه و زمان‌بر آزمایشگاهی، داروهای کاملاً هدفمند را برای بیماری‌های خاص شناسایی کنند.

حاتم هلال (Hatem Helal)، بنیان‌گذار و مدیرعامل Potential Sciences می‌گوید: «ما می‌خواهیم مولکول‌هایی را که هرگز در مرحله بالینی جواب نمی‌دهند، خیلی سریع شناسایی و حذف کنیم. این کار نیازمند ابزارهای پیش‌بینی‌کننده بهتری است تا دقیقاً نشان دهند که این مولکول‌ها در مواجهه با زیست‌شناسی بدن انسان چه رفتاری از خود نشان می‌دهند.»

این استارتاپ که در ۵ نوامبر فعالیت خود را آغاز کرده است، اعلام کرد که ده‌ها میلیون دلار سرمایه اولیه (Seed Funding) از صندوق SovAI (صندوق سرمایه‌گذاری خطرپذیر هوش مصنوعی دولت بریتانیا)، شرکت Twin Path Ventures و چند سرمایه‌گذار دیگر جذب کرده است. بنیان‌گذاران این شرکت از افشای رقم دقیق سرمایه‌گذاری یا ارزش‌گذاری استارتاپ خودداری کردند.

اگر همه‌چیز مطابق انتظار Potential Sciences پیش برود، این فناوری می‌تواند مسیر توسعه سریع‌تر درمان‌های جدید را برای طیف وسیعی از بیماری‌ها هموار کند. به گفته هلال، کاهش هزینه‌های آزمایشگاهی از طریق این رویکرد، باعث می‌شود که تولید دارو برای بیماری‌های نادری که پیش از این درمانی نداشته‌اند، برای شرکت‌های داروسازی از نظر اقتصادی به‌صرفه شود.

او در ادامه می‌گوید: «هدف ما این است که امکان تولید درمان‌های کاملاً سفارشی برای بیماری‌ها را فراهم کنیم؛ یعنی داروهایی که به‌عنوان ترکیبات مولکولی منحصربه‌فرد، دقیقاً متناسب با ساختار زیستی بدن هر فرد طراحی می‌شوند.»

پرسش اصلی اینجاست که آیا Potential Sciences واقعاً می‌تواند میزان موفقیت اتصال داروهای پیشنهادی به پروتئین‌های مرتبط با بیماری را با همان دقتی که امیدوار است پیش‌بینی کند یا خیر؛ دستاوردی که تحقق آن نیازمند یک جهش علمی بزرگ خواهد بود.

پیتر وولینز (Peter Wolynes)، استاد شیمی دانشگاه رایس، در این باره می‌گوید: «مطمئناً این روش بهبودهایی به‌همراه خواهد داشت، اما در حال حاضر سطح مهندسی پروتئین ما هنوز در دوران امپراتوری روم قرار دارد و به عصر شکوفایی و رنسانس نرسیده است.»

چهره‌های برجسته این صنعت از جمله دمیس هاسابیس (Demis Hassabis) که به‌خاطر دستاوردهایش در Google DeepMind برنده جایزه نوبل شیمی شد، از مدت‌ها پیش تاکید کرده‌اند که پیشرفت‌های هوش مصنوعی در نهایت به کشفیات علمی دوران‌ساز منجر خواهد شد؛ درست همان‌طور که این فناوری به‌تازگی معادلات پیچیده ریاضیات را متحول کرده است. استارتاپ‌هایی مانند Potential Sciences امیدوارند که کشف دارو یکی از نخستین مرزهای علمی باشد که به‌واسطه این فناوری دگرگون می‌شود.

در حال حاضر، بخش بزرگی از آزمایشگاه‌های کشف دارو با هوش مصنوعی، مدل‌های خود را بر پایه یک پایگاه داده عمومی واحد از ساختارهای اتمی سه‌بعدی به نام Protein Data Bank توسعه می‌دهند؛ مجموعه‌داده‌ای که پژوهشگران طی دهه‌ها با افزودن نتایج آزمایش‌های جدید آن را گسترش داده‌اند. به گفته هلال، مشکل اصلی اینجاست که این پایگاه داده هنوز برای آموزش مدل‌های هوش مصنوعی پیشرفته که بتوانند با اطمینان بالا روند جستجوی داروهای کارآمد را سرعت ببخشند، بسیار کوچک است.

هلال توضیح می‌دهد: «از میان تمام اتم‌های موجود در جهان، حدود ۱۰ به توان ۶۰ حالت مختلف برای کنار هم قرار دادن آن‌ها و ساختن مولکول‌هایی وجود دارد که به‌طور بالقوه می‌توانند به‌عنوان دارو به انسان داده شوند. کشف دارو را مانند یک مسئله جستجو در نظر بگیرید؛ کل ماجرا این است که با چه سرعتی می‌توانید این فضای بیکران را بگردید، گزینه‌های ناکارآمد را حذف کنید و به مولکول‌های نویدبخش برای یک بیماری خاص برسید.»

برای حل این چالش، استارتاپ Potential Sciences تلاش می‌کند مجموعه‌داده‌های بسیار بزرگ‌تری از داده‌های مصنوعی (Synthetic Data) بسازد که حاصل شبیه‌سازی تعاملات میان ترکیبات شیمیایی مختلف هستند. بر اساس این نظریه، استارتاپ با در اختیار داشتن مخازن بسیار عظیم‌تر داده، قادر خواهد بود مدل‌های هوش مصنوعی و سیستم‌های پیش‌بینی‌کننده به‌مراتب پیشرفته‌تری را آموزش دهد.

پژوهشگران دانشگاهی نیز پتانسیل بالایی در رویکرد مبتنی بر شبیه‌سازی Potential Sciences می‌بینند. آلن فرشت (Alan Fersht)، استاد بازنشسته شیمی در دانشگاه کمبریج و متخصص مهندسی پروتئین می‌گوید: «اگر بتوانیم تعاملات میان تمام مولکول‌های درون سلول و نوسانات ساختار آن‌ها را به‌طور دقیق محاسبه کنیم، می‌توانیم محل دقیق اتصال مولکول‌ها را پیش‌بینی کنیم و این دستاورد بدون شک صنعت ساخت دارو را متحول خواهد کرد. من بسیار خوش‌بین هستم که این اتفاق در نهایت رخ خواهد داد.»

با دریافت سرمایه از صندوق SovAI، استارتاپ Potential Sciences به دیگر شرکت‌های فعال در حوزه کشف دارو با هوش مصنوعی یعنی Basecamp Research و Isomorphic Labs و هم‌چنین استارتاپ کشف مواد CuspAI می‌پیوندد.

دولت بریتانیا در اوایل سال جاری میلادی صندوق SovAI را با این ماموریت راه‌اندازی کرد که روی استارتاپ‌های بریتانیایی سرمایه‌گذاری کند؛ شرکت‌هایی که پتانسیل تبدیل شدن به اجزای حیاتی و جدایی‌ناپذیر زنجیره تامین جهانی هوش مصنوعی را دارند و اهرم ژئوپلیتیکی مهمی در اختیار این کشور قرار می‌دهند. این صندوق حدود ۸۰۰ میلیون دلار سرمایه در اختیار دارد و می‌تواند امکان دسترسی شرکت‌های زیرمجموعه خود به ابرکامپیوتر ملی هوش مصنوعی بریتانیا را فراهم کند.

ژوزفین کانت (Joséphine Kant)، رئیس بخش سرمایه‌گذاری‌های خطرپذیر در SovAI که به‌عنوان بخشی از این سرمایه‌گذاری به هیئت‌مدیره این استارتاپ پیوسته است، می‌گوید: «ورود به حوزه کشف دارو از زاویه علم فیزیک، یعنی فیزیکِ شیمی، شرکت Potential Sciences را از سایر رقبا متمایز می‌کند. فراهم کردن دسترسی آن‌ها به منابع پردازشی قدرتمند، این امکان را به آن‌ها می‌دهد که کار خود را در مقیاسی پیش ببرند که در شرایط عادی برای یک استارتاپ کوچک بسیار دشوار است.»

با این حال، کشف دارو با هوش مصنوعی بازار بسیار شلوغ و پررقابتی است. حتی با وجود حمایت دولت بریتانیا، استارتاپ Potential Sciences با رقابت سنگینی از سوی کارآفرینان و پژوهشگران متعددی روبه‌رو خواهد بود که همگی برای حل گلوگاه‌های مشابه از زوایای گوناگون در حال تلاش هستند.

علاوه بر این، توانایی شناسایی سریع‌تر گزینه‌های دارویی امیدوارکننده، هزینه و زمان لازم برای آزمایش ایمنی و اثر‌بخشی آن‌ها را از بین نمی‌برد؛ به این معنی که فارغ از پیشرفت‌های هوش مصنوعی، ورود درمان‌های جدید به بازار همچنان فرآیندی زمان‌بر خواهد بود. وولینز در این رابطه می‌گوید: «هزینه طراحی اولیه یک دارو در مقایسه با کشف تأثیر آن بر بدن موش‌ها، بیماران بدحال و افراد عادی، تقریباً هیچ است. به بیان دیگر، مرحله طراحی اولیه، گلوگاه اصلی محدودکننده سرعت در تولید دارو محسوب نمی‌شود.»

با پیشرفت این حوزه، استارتاپ‌هایی نظیر Potential Sciences باید با این چالش جدی نیز روبه‌رو شوند که فناوری‌های قادر به شناسایی درمان‌های موثر، می‌توانند مورد سوءاستفاده قرار گیرند و برای ساخت مواد شیمیایی بسیار خطرناک به کار گرفته شوند. هلال می‌گوید: «اگر ما بتوانیم ابزارهایی طراحی کنیم که سمیت یک ترکیب را به‌شکل کاملاً دقیق به حداقل می‌رسانند، تغییر دادن یک متغیر کوچک در همان کدها می‌تواند سمیت را به حداکثر برساند.»

استارتاپ Potential Sciences هنوز پاسخ تمام پرسش‌ها را در اختیار ندارد. این شرکت هنوز مدل درآمدزایی مشخصی از فناوری‌های در حال توسعه خود نهایی نکرده و با توجه به خطرات احتمالی سوءاستفاده، تصمیم نگرفته است که آیا مدل‌های خود را به‌صورت رایگان در دسترس عموم قرار دهد یا خیر. با این وجود، هلال اطمینان دارد که مسائل معدودی در جهان وجود دارند که حل کردن آن‌ها با کمک هوش مصنوعی تا این اندازه ارزشمند باشد.

هلال در پایان می‌گوید: «موج‌های بسیاری از پیشرفت‌های نویدبخش وجود داشته‌اند که در نهایت تأثیر چندانی بر صنعت کشف دارو نگذاشتند. این یک چالش بنیادین و بسیار اثرگذار است که تمام تلاشمان را برای حل کردن آن به کار می‌گیریم.»