مشكلة البيانات في قلب اكتشاف الأدوية المدعوم بالذكاء الاصطناعي

مع اندماج الذكاء الاصطناعي بسرعة في اكتشاف الأدوية، ربما يكون السؤال الأكثر أهمية ليس كيف سيكون النموذج التالي قويًا، ولكن ما هي البيانات التي يتعلم منها تلك النماذج.

توسع شركة Anthropicتوسع شركة Anthropic الأخير في مجال تطوير الأدوية هو أحدث إشارة إلى أن الذكاء الاصطناعي يتحرك بعيدًا عن المنطق العام والمتخصص في العلوم التطبيقية. إنها تعكس زخمًا حقيقيًا في هذا المجال وثقة متزايدة في أن الذكاء الاصطناعي يمكن أن يغير بشكل كبير كيفية اكتشاف الأدوية الجديدة. لكن إذا كان الهدف هو تحسين معدلات النجاح السريرية – وليس فقط تسريع الاكتشاف – فيجب أن نسأل عما إذا كانت البيولوجيا التي تقوم عليها هذه الأنظمة قادرة على تعليمها ما هي البيولوجيا البشرية الحقيقية.

على مدار سنوات، ركزت الصناعة على بناء خوارزميات متطورة بشكل متزايد. وقد drove تقدمات ملحوظة في التنبؤ بتركيب البروتين، وتحديد الهدف، وتصميم الجزيئات، وغيرها من مجالات البحث البيولوجي. تلك الابتكارات تستحق الانتباه الذي حصلت عليه.

ما حصل على انتباه أقل هو الأساس البيولوجي الذي تقوم عليه.

الذكاء الاصطناعي جيد جدًا في العثور على الأنماط. لكنه لا يستطيع التمييز بين البيولوجيا التي يمكن قياسها وبين البيولوجيا التي تنبئ حقًا بما يحدث في المرضى. سقف اكتشاف الأدوية المدعوم بالذكاء الاصطناعي سيتحدد في النهاية ليس فقط bằng ذكاء النماذج، ولكن bằng جودة البيانات البشرية المستخدمة في تدريبها وتحديدها واختبارها. إذا كنا نريد الذكاء الاصطناعي لتوفير أدوية أفضل وليس فقط فرضيات أسرع، فقد يكون بناء بنية تحتية بيولوجية بشرية عالية الجودة مهمًا بنفس القدر الذي هو بناء الجيل التالي من الذكاء الاصطناعي نفسه.

يمكن للذكاء الاصطناعي فقط التعلم من البيولوجيا التي نقدمها له

كل نموذج للذكاء الاصطناعي مقيد بالمعلومات التي يتعلم منها. ويطرح تطوير الأدوية تحديًا خاصًا لأن البيولوجيا معقدة بشكل استثنائي. تؤثر الأمراض البشرية على الجينات، والعمر، والجنس، والأمراض المشتركة، والاستجابات المناعية، والتأثيرات البيئية، وألوف المسارات الجزيئية المتفاعلة التي لا تزال مفهومة جزئيًا فقط.

تاريخيًا، نشأت معظم البيانات التجريبية المستخدمة في تطوير الأدوية من دراسات على الحيوانات، وخطوط الخلايا الخالدة، والأنظمة المبسطة في المختبر، والمحاكاة الحاسوبية. هذه الأدوات قد قدمت تقدمًا كبيرًا في العلوم البيولوجية وتظل لا غنى عنها في العديد من مراحل البحث. ومع ذلك، فقد أظهرت عقود من الخبرة أن هذه الأدوات لا تستطيع التمثيل الكامل للفسيولوجيا البشرية.

حوالي 90٪ من مرشحي الأدوية الذين يدخلون التجارب السريرية في النهاية يفشلون، مع عدم كفاية الفعالية والاكتشافات الأمنية غير المتوقعة التي تمثل مساهمات كبيرة. في حين أن العديد من العوامل تساهم في هذه الفشل، فإن أحد المواضيع المتكررة هو أن النماذج قبل السريرية غالبًا ما تعاني من التنبؤ بما يحدث في الواقع في المرضى.

إذا تم تدريب أنظمة الذكاء الاصطناعي في الغالب على بيانات تم إنشاؤها من نماذج لديها قيود ترجمة معروفة، فلا ينبغي أن يكون مفاجئًا إذا استمرت تلك القيود. يمكن للذكاء الاصطناعي التعرف على الأنماط بشكل ملحوظ، لكنه لا يستطيع اختراع الحقيقة البيولوجية التي لم تكن موجودة في بيانات التدريب.

المزيد من البيانات ليس بالضرورة أفضل البيانات

يحدث المجتمع الذكاء الاصطناعي بشكل متكرر حول قوانين التوسع: ملاحظة أن مجموعات البيانات الأكبر غالبًا ما تحسن أداء النموذج. في البيولوجيا، ومع ذلك، الكمية والجودة لا يمكن استبدالها. قد توفر ملايين النقاط البيانية التي تم جمعها من الأنظمة التجريبية التي تعكس بشكل سيئ الفسيولوجيا البشرية قيمة تنبؤية أقل من مجموعات بيانات أصغر تم إنشاؤها مباشرة من البيولوجيا البشرية ذات الصلة سريريًا. يصبح هذا الفرق مهمًا بشكل خاص في تطوير الأدوية، حيث الهدف ليس فقط التنبؤ ولكن التنبؤ الذي يترجم إلى نتائج مرضى ناجحة.

تختلف البيانات البيولوجية البشرية عالية الدقة عن مجموعات البيانات المعملية التقليدية في عدة طرق مهمة. إنها تقترب من الوظيفة البيولوجية بدلاً من اللقطات الثابتة. إنها تحافظ على العلاقات بين الأنسجة، والهيكل الخلوي، والتنفس، والاستقلاب، والصيدلة. إنها تدمج تاريخ المريض، والخصائص السريرية، والقياسات الجزيئية، والاستجابات الوظيفية داخل نفس النظام البيولوجي. وأهم من ذلك، إنها تقيس البيولوجيا التي توجد في الواقع في البشر.

ومع ازدياد قدرة الذكاء الاصطناعي على استخراج أنماط دقيقة من البيانات المعقدة، تصبح جودة تلك الأنماط غير قابلة للفصل عن جودة البيولوجيا الكامنة.

قد تكون البنية التحتية البيولوجية البشرية التالية ميزة تنافسية

على مدار السنوات القليلة الماضية، وُجهت استثمارات هائلة في النماذج الأساسية، والبنية الحاسوبية، والهياكل المعمارية المتخصصة للذكاء الاصطناعي. تم إيلاء انتباه أقل إلى البنية التحتية المطلوبة لتوليد بيانات بيولوجية بشرية عالية الجودة بشكل منهجي.

العينات البيولوجية البشرية محدودة بطبيعتها وتتطلب دمجها مع شكل من أشكال البنية التحتية للتبرع. يبقى التوحيد تحديًا. يجب أن تكون بروتوكولات التجارب قابلة للتكرار. يجب أن تكون البيانات الوصفية شاملة. يجب دمج القياسات متعددة الأوميكس، والتصوير، والاختبارات الوظيفية، والسياق السريري في مجموعات بيانات كافية لتعلم الحاسوب.

لا يشبه أي من هذا الهندسة البرمجية التقليدية. بدلاً من ذلك، يتطلب عمليات بيولوجية منسقة قادرة على إنتاج مجموعات بيانات قابلة للتكرار ومستعدة للتنظيم على مدار العديد من السنوات. كما أصبحت البنية التحتية السحابية ضرورية لتطوير البرمجيات الحديثة، قد تصبح البنية التحتية البيولوجية البشرية أساسية للجيل التالي من العلاجات التي يحركها الذكاء الاصطناعي. قد تكون المنظمات التي تستثمر في تلك البنية التحتية اليوم هي التي ستحدد في النهاية ما الذي يمكن للنماذج الذكاء الاصطناعي التعلم منه.

المشرعون يتحركون في هذا الاتجاه

من المهم أن هذه المناقشة تمتد إلى ما وراء الفضول الأكاديمي. المشرعون أنفسهم يؤكدون بشكل متزايد على الأدلة ذات الصلة البشرية. وسعت إدارة الأغذية والأدوية الأمريكيةدعمها لمناهج النهج الجديد (NAMs)،محددة مسارات يمكن من خلالها أن تساهم النماذج الحاسوبية وتكنولوجيا الشريحة على الشريحة والأنظمة المبتكرة في المختبر في اتخاذ القرارات التنظيمية.

يقر هذا التحول بواقع مهم. ومع تطور الأساليب الحاسوبية، تعتمد الثقة في تنبؤاتها على ثقة في الأدلة البيولوجية التي تدعمها. إذا كان الذكاء الاصطناعي الأفضل يتطلب تحققًا أفضل، وتحقق أفضل يتطلب بيانات بشرية أفضل، فمن ثم الذكاء الاصطناعي الأفضل يتطلب بيانات بشرية أفضل تشكل مصدر كل نموذج.

الدهة القادمة سوف تحدد بالجودة البيانات

شهدت صناعة الأدوية ثورات تقنية متعددة من فحص عالي الإنتاجية إلى تسلسل الجيل التالي. كل ذلك وسع حجم البيانات المتاحة، ولكن تطبيق الذكاء الاصطناعي في هذا المجال يمثل شيئًا مختلفًا.

لا يعتمد نجاحه فقط على إنتاج المزيد من البيانات، ولكن على إنتاج بيانات تمثل البيولوجيا البشرية بدقة.ومع اتساع انتشار النماذج الأساسية، قد تصبح المزايا الخوارزمية وحدها أقل متانة. قد يبرز الوصول إلى بيانات بيولوجية بشرية متميزة وعالية الجودة كواحدة من المزايا التنافسية الحاسمة في النظام البيئي الدوائي. هذا صحيح بشكل خاص إذا كان الهدف النهائي للصناعة هو تحسين معدلات النجاح السريرية بدلاً من تسريع الاكتشاف فقط.

دخول شركة Anthropic إلى تطوير الأدوية يعكس التقدم المذهل الذي أحرزه الذكاء الاصطناعي على مدار السنوات القليلة الماضية. كما يسلط الضوء على السؤال التالي الذي يجب على الصناعة الإجابة عليه. إذا كان للذكاء الاصطناعي حقًا إمكانية تحويل الطب، فما الأساس البيولوجي الذي سوف تقوم عليه تلك النماذج؟

مستقبل اكتشاف الأدوية المدعوم بالذكاء الاصطناعي سوف يعتمد بالتأكيد على خوارزميات أفضل. لكنه قد يعتمد أكثر على بناء بنية تحتية بيولوجية بشرية قادرة على تعليم تلك الخوارزميات ما هي البيولوجيا البشرية الحقيقية.