استفاده از هوش مصنوعی برای شبیه‌سازی آزمایش‌های بالینی دارو

شرکت‌های فعال در حوزه هوش مصنوعی با اجرای آزمایش‌های بالینی مجازی تلاش می‌کنند تا روند توسعه داروها را دگرگون کرده و میزان موفقیت مطالعات انسانی را افزایش دهند. صنعت جهانی زیست‌پزشکی سالانه حدود ۱۴۰ میلیارد دلار صرف آزمایش‌های بالینی روی انسان می‌کند، اما تنها نزدیک به ۱۲ درصد از نامزدهای دارویی موفق به دریافت تأییدیه از سوی نهادهای رگولاتوری می‌شوند؛ آماری که طی دهه‌های گذشته تغییر چندانی نداشته است.

استارت‌آپ‌های هوش مصنوعی اظهار می‌کنند که شبیه‌سازی‌های دیجیتالی برای تشخیص اینکه کدام پروژه‌های دارویی ارزش پیشروی دارند و همچنین ارزیابی ارزش شرکت‌های هدف برای خرید، به کار گرفته می‌شوند. با بهبود ابزارهای هوش مصنوعی در زمینه شناسایی خطرات بالینی، شکست‌های غیرمنتظره در آزمایش‌ها ممکن است کاهش یابد. مراحل سنتی آزمایش بالینی شامل مطالعات کوچک فاز یک برای سنجش ایمنی، فاز دو با مقیاس متوسط و فاز سه در مقیاس بزرگ برای بررسی اثربخشی است که سال‌ها زمان می‌برد، در حالی که شبیه‌سازی‌های هوش مصنوعی می‌توانند این روند را ظرف یک ماه یا کمتر انجام دهند.

فرانسیسکو بکا، مدیر ارشد پزشکی در پلتفرم شبیه‌سازی کوانت‌هلت (QuantHealth)، مطرح می‌سازد که تمرکز نباید صرفاً بر سرعت بخشیدن به آزمایش‌ها باشد، بلکه باید بررسی کرد چگونه می‌توان تعداد آزمایش‌هایی را که در نهایت با شکست مواجه می‌شوند کاهش داد. گزارش اخیر مک کینزی نشان می‌دهد که سرمایه‌گذاری در زمینه کشف دارو با کمک هوش مصنوعی در سال ۲۰۲۵ نسبت به سال ۲۰۲۳ بیش از دو برابر شده و به ۸.۴ میلیارد دلار رسیده است.

شرکت‌های داروسازی به گفته الکس دِوِرسون، شریک مک‌کینزی، به طور محتاطانه‌ای در حال استفاده از مدل‌سازی‌های هوش مصنوعی هستند تا پیش از تعهد مالی به یک برنامه، نامزدهای دارویی را ارزیابی کنند. علاوه بر این، نهادهای بهداشتی ایالات متحده اخیراً مجموعه‌ای از ابتکارات را با هدف تسریع آزمایش‌های دارویی اعلام کرده‌اند که می‌تواند مسیری را برای استفاده از هوش مصنوعی پیش‌بینی‌کننده در توسعه بالینی هموار سازد.

برخی از شرکت‌های نوپا مانند بایواِنوست‌جی‌پی‌تی (BioinvestGPT) نتایج تحلیلی تفصیلی خود را پیش از انتشار نتایج واقعی به اشتراک گذاشته و در پیش‌بینی پیامدهای چندین آزمایش برجسته عملکرد قابل‌قبولی داشته‌اند. با این حال، شبیه‌سازی‌های هوش مصنوعی همیشه هم دقیق نیستند؛ برای نمونه، پیش‌بینی این پلتفرم درباره داروی پلاک‌سرسن شرکت نوارتیس مثبت بود، اما آزمایش‌های نهایی نشان داد که این دارو خطر حمله قلبی یا سکته را کاهش نداده است. بنیان‌گذار این شرکت توضیح می‌دهد که تحلیل‌های بعدی حاکی از آن بود که مکانیسم اثر به دلیل در نظر نگرفتن تغییرات ژنتیکی اندازه لیپوپروتئین به‌درستی مدل‌سازی نشده بود.

با وجود چالش‌ها، شرکت‌های داروسازی دیدگاه‌های متفاوتی نسبت به کارایی این فناوری دارند. اندی پلامپ، مدیر بخش پژوهش شرکت تاکدا، بیان کرد که اگرچه یادگیری ماشین در بهینه‌سازی ساختار قرص‌ها به کار رفته است، اما او باور دارد که این ابزارها هنوز به مرحله‌ای نرسیده‌اند که بتوانند پیش‌بینی‌های قطعی ارائه دهند. از سوی دیگر، دایانا گالاگر از شرکت بیوژن یادآور می‌شود که این مجموعه از تمامی ابزارهای موجود از جمله هوش مصنوعی استفاده می‌کند، هرچند الگوریتم‌های مبتنی بر داده‌های تاریخی ممکن است مستعد پیش‌بینی نتایج منفی باشند.

در مجموع، کارشناسان بر این باورند که آزمایش‌های انسانی همچنان در آینده ضروری خواهند بود، اما شبیه‌سازی‌های هوش مصنوعی می‌توانند نقش مهمی در ارزیابی پتانسیل داروهای آزمایشی ایفا کنند.

چشم‌انداز آینده شبیه‌سازی‌های دارویی

پیشرفت فناوری‌های شبیه‌سازی این پرسش اخلاقی را مطرح می‌کند که آیا در سال‌های آینده قرار دادن بیماران در معرض آزمایش‌هایی که احتمال شکست بالایی دارند همچنان قابل توجیه خواهد بود یا خیر. متخصصان پیش‌بینی می‌کنند که با تکامل مدل‌های هوش مصنوعی، نقش این ابزارها در تصمیم‌گیری‌های کلان داروسازی پررنگ‌تر خواهد شد.