โมเดลและแพลตฟอร์ม AI

นอกเหนือจากความฮือฮา: เปิดเผยผลกระทบจริงของ Generative AI ในการค้นพบยา

Dr. Tehseen Zia
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญAI…
ดูเพิ่มเติม
  • AI สร้างสรรค์สามารถเร่งการค้นพบยาในระยะเริ่มต้นได้ด้วยการจำลองการผสมผสานของโมเลกุลและคาดการณ์ประสิทธิภาพอย่างรวดเร็ว
  • ลักษณะ 'กล่องดำ' ของ AI ก่อให้เกิดปัญหาด้านความไว้วางใจกับหน่วยงานกำกับดูแลและชะลอการนำไปใช้ทางคลินิก แม้จะมีตัวยาที่มีแนวโน้มดี
  • ผลกระทบที่แท้จริงของเทคโนโลยีนี้อยู่ที่การเพิ่มประสิทธิภาพกระบวนการวิจัย มิใช่การแทนที่วิธีการพัฒนายาแบบดั้งเดิม

ตั้งแต่ Insilico Medicine พัฒนาเวชภัณฑ์สำหรับโรคปอดอุดกั้นไม่ทราบสาเหตุ (IPF) โดยใช้ Generative AI มีความตื่นเต้นมากขึ้นเกี่ยวกับวิธีการที่เทคโนโลยีนี้สามารถเปลี่ยนแปลงการค้นพบยาได้ วิธีการแบบดั้งเดิมเป็นไปอย่างช้าและแพง ดังนั้นความคิดที่ว่า AI สามารถเร่งกระบวนการได้จึงดึงดูดความสนใจของอุตสาหกรรมเภสัชกรรม สตาร์ทอัพ กำลังเกิดขึ้นเพื่อทำให้กระบวนการค้นพบยามีประสิทธิภาพมากขึ้น โดยใช้ AI ในการคาดการณ์โครงสร้างโมเลกุลและจำลองระบบชีวภาพ McKinsey Global Institute ประมาณการ ว่า Generative AI สามารถเพิ่มมูลค่า $60 พันล้านถึง $110 พันล้านต่อปีให้กับภาคส่วนนี้ แต่ในขณะที่มีความตื่นเต้นอย่างมาก ยังมี ความท้าทาย อย่างมากที่ยังคงอยู่ ตั้งแต่ข้อจำกัดทางเทคนิคไปจนถึงคุณภาพของข้อมูลและความกังวลเรื่องจริยธรรม มันชัดเจนว่าการเดินทางในอนาคตยังคงเต็มไปด้วยอุปสรรค บทความนี้จะพิจารณาผลกระทบของ Generative AI ในการค้นพบยาอย่างใกล้ชิด

ความฮือฮาเกี่ยวกับ Generative AI ในการค้นพบยา

Generative AI ได้ครอบงำจินตนาการของอุตสาหกรรมเภสัชกรรมด้วยศักยภาพในการเร่งกระบวนการค้นพบยาที่ช้าและแพง AI เหล่านี้สามารถจำลองการผสมผสานโมเลกุลได้หลายพันแบบ คาดการณ์ประสิทธิภาพ และแม้แต่คาดการณ์ผลข้างเคียงก่อนที่จะเริ่มการทดลองทางคลินิก นักวิชาการบางคน คาดการณ์ ว่ายาที่ใช้เวลา 10 ปีในการพัฒนาจะถูกสร้างขึ้นภายในเวลาเพียงไม่กี่ปีหรือแม้แต่ไม่กี่เดือนด้วยความช่วยเหลือของ Generative AI

สตาร์ทอัพและ บริษัทที่มีชื่อเสียง กำลังใช้ประโยชน์จากศักยภาพของ Generative AI ในการค้นพบยา ความร่วมมือระหว่างยักษ์ใหญ่เภสัชกรรมและสตาร์ทอัพ AI ได้กระตุ้นให้เกิด การทำธุรกิจ โดยมีบริษัทอย่าง Exscientia, Insilico Medicine และ BenevolentAI ได้รับการร่วมมือมูลค่าหลายล้านเหรียญ ร่วมมือ ความน่าสนใจของการค้นพบยาด้วย AI อยู่ที่ความสามารถในการสร้างยารักษาโรคใหม่ๆ ได้เร็วขึ้นและราคาถูกกว่า โดยให้คำตอบสำหรับหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดของอุตสาหกรรม: ต้นทุนสูงและระยะเวลาที่ยาวนานในการนำยารักษาโรคใหม่เข้าสู่ตลาด

ความสำเร็จในระยะแรก

Generative AI ไม่ใช่แค่เครื่องมือที่เป็นไปได้เท่านั้น แต่ยังได้แสดงให้เห็นถึงความสามารถในการให้ผลลัพธ์แล้ว ในปี 2020 Exscientia พัฒนา ยารักษาโรค Obsessive-Compulsive Disorder ซึ่งเข้าสู่การทดลองทางคลินิกน้อยกว่า 12 เดือนหลังจากที่โครงการเริ่มต้น – ระยะเวลาที่สั้นกว่ามาตรฐานของอุตสาหกรรม Insilico Medicine ได้สร้าง ข่าว สำหรับการค้นพบสารประกอบใหม่สำหรับโรคฟิบรอซิสโดยใช้โมเดลที่สร้างโดย AI ซึ่งแสดงให้เห็นถึงศักยภาพที่เป็นไปได้ของ AI ในการค้นพบยา

นอกเหนือจากการพัฒนายาแต่ละชนิด AI ยังถูกนำมาใช้เพื่อแก้ไขปัญหาอื่นๆ ในกระบวนการผลิตยารักษาโรค เช่น การเพิ่มประสิทธิภาพสูตรและดีไซน์ของยา การคาดการณ์ปฏิกิริยาของผู้ป่วยต่อยา และการค้นหาบายอแมร์เกอร์สำหรับโรคที่ยากต่อการรักษา การใช้งานเหล่านี้แสดงให้เห็นว่า AI สามารถช่วยแก้ไขปัญหาที่ยืนยาวในการค้นพบยารักษาโรคได้อย่างแน่นอน

Generative AI ถูกมองว่าเกินจริงหรือไม่?

ในระหว่างที่มีความตื่นเต้น มีความกังวลที่เพิ่มขึ้นเกี่ยวกับว่า Generative AI มีศักยภาพที่แท้จริงหรือไม่ ในขณะที่เรื่องราวความสำเร็จได้รับการเผยแพร่อย่างกว้างขวาง โครงการค้นพบยาด้วย AI หลายโครงการล้มเหลวในการเปลี่ยนคำมั่นสัญญาในระยะแรกให้เป็นผลลัพธ์ทางคลินิกที่แท้จริง อุตสาหกรรมเภสัชกรรมมีชื่อเสียงในเรื่องการเปลี่ยนแปลงที่ช้า และการแปลการคาดการณ์ทางคอมพิวเตอร์ให้เป็นยาที่มีประสิทธิภาพและพร้อมสำหรับการตลาดยังคงเป็นงานที่ท้าทาย

นักวิจารณ์ ชี้ให้เห็นว่าความซับซ้อนของระบบชีวภาพเกินความสามารถของโมเดล AI ในปัจจุบัน การค้นพบยารักษาโรคเกี่ยวข้องกับการทำความเข้าใจการโต้ตอบโมเลกุลที่ซับซ้อน เส้นทางชีวภาพ และปัจจัยเฉพาะของผู้ป่วย ในขณะที่ Generative AI มีความสามารถในการทำนายข้อมูลได้ดี แต่ก็ยังต้องเผชิญกับความไม่แน่นอนและความละเอียดอ่อนที่เกิดขึ้นในระบบชีวภาพของมนุษย์ ในบางกรณี ยาที่ AI ช่วยค้นพบอาจไม่ผ่านการตรวจสอบด้านกฎระเบียบหรือล้มเหลวในระยะหลังของการทดลองทางคลินิก – ซึ่งเป็นสิ่งที่เราเคยเห็นมาก่อนใน phương phápพัฒนายาแบบดั้งเดิม

ความท้าทายอีกประการหนึ่งคือข้อมูลเอง โัลกอริทึม AI ต้องการชุดข้อมูลขนาดใหญ่สำหรับการฝึกอบรม และในขณะที่อุตสาหกรรมเภสัชกรรมมีข้อมูลมากมาย แต่ก็มักจะไม่สมบูรณ์หรือมีอคติ ระบบ Generative AI ต้องการข้อมูลที่มีคุณภาพสูงและหลากหลายเพื่อให้การคาดการณ์ที่แม่นยำ และความต้องการนี้ได้แสดงให้เห็นถึงช่องว่างในโครงสร้างพื้นฐานข้อมูลของอุตสาหกรรม นอกจากนี้ เมื่อระบบ AI พึ่งพาข้อมูลประวัติมากเกินไป ก็จะเสี่ยงต่อการเสริมสร้างอคติที่มีอยู่แล้วแทนที่จะสร้างวิธีแก้ปัญหาใหม่ๆ ที่แท้จริง

ทำไมการผิดหวังจึงไม่ใช่เรื่องง่าย

ในขณะที่ Generative AI แสดงให้เห็นถึงศักยภาพ แต่กระบวนการในการเปลี่ยนความคิดที่สร้างโดย AI ให้เป็นทางออกที่เป็นไปได้ในการรักษาโรคเป็นงานที่ท้าทาย AI สามารถคาดการณ์ผู้สมัครที่มีศักยภาพในการรักษาโรคได้ แต่การตรวจสอบผู้สมัครเหล่านั้นผ่านการทดลองก่อนคลินิกและคลินิกคือที่ที่ความท้าทายที่แท้จริงเริ่มต้น

อุปสรรคหลักๆ หนึ่งคือธรรมชาติ ‘กล่องดำ’ ของอัลกอริทึม AI ในการค้นพบยาทางดั้งเดิม นักวิจัยสามารถติดตามทุกขั้นตอนของกระบวนการและเข้าใจว่าทำไมยาที่เฉพาะเจาะจงจึงมีแนวโน้มที่จะ有效 ในทางกลับกัน โมเดล Generative AI มักจะสร้างผลลัพธ์โดยไม่ให้ข้อมูลเกี่ยวกับวิธีการที่พวกมันมาถึงการคาดการณ์เหล่านั้น ความไม่โปร่งใส่นี้สร้างปัญหาเกี่ยวกับความไว้วางใจ เนื่องจากผู้กำกับดูแล ผู้เชี่ยวชาญด้านสุขภาพ และนักวิทยาศาสตร์เองก็พบว่ามันยากที่จะพึ่งพาโซลูชันที่สร้างโดย AI โดยไม่เข้าใจกลไกพื้นฐาน

นอกจากนี้ โครงสร้างพื้นฐานที่จำเป็นในการรวม AI เข้ากับการค้นพบยารักษาโรคยังคงพัฒนาอยู่ บริษัท AI กำลังทำงานร่วมกับยักษ์ใหญ่เภสัชกรรม แต่การร่วมมือกันมักจะเผยให้เห็นถึงความคาดหวังที่ไม่ตรงกัน บริษัทเภสัชกรรมที่มีชื่อเสียงซึ่งเป็นที่รู้จักในเรื่องของการเข้าใกล้ที่ระมัดระวังและควบคุมอย่างเข้มงวดมักจะลังเลที่จะใช้เครื่องมือ AI ในอัตราที่บริษัทสตาร์ทอัพ AI คาดหวัง เพื่อให้ Generative AI มีศักยภาพสูงสุด ทั้งสองฝ่ายต้องจัดตำแหน่งข้อตกลงในการแบ่งปันข้อมูล กรอบการทำงานด้านกฎระเบียบ และกระบวนการทำงาน

ผลกระทบจริงของ Generative AI

Generative AI ได้แนะนำการเปลี่ยนแปลงแบบจ914รูปในอุตสาหกรรมเภสัชกรรม แต่ผลกระทบจริงของมันคือการเสริมสร้างวิธีการแบบดั้งเดิม ไม่ใช่การแทนที่ AI สามารถสร้างข้อมูลเชิงลึก คาดการณ์ผลลัพธ์ที่เป็นไปได้ และเพิ่มประสิทธิภาพกระบวนการ แต่ความเชี่ยวชาญของมนุษย์และการทดสอบทางคลินิกยังคงจำเป็นในการพัฒนายารักษาโรคใหม่ๆ

ในขณะนี้ คุณค่าที่แท้จริงของ Generative AI มาจากการเพิ่มประสิทธิภาพกระบวนการวิจัย AI excels ในการลดจำนวนโมเลกุลที่เป็นไปได้ให้เหลือน้อยลง ช่วยให้นักวิจัยสามารถมุ่งเน้นไปที่สารประกอบที่มีแนวโน้มมากที่สุด โดยการประหยัดเวลาและทรัพยากรในระยะแรกของการค้นพบยา AI ช่วยให้บริษัทเภสัชกรรมสามารถสำรวจแนวทางใหม่ที่อาจถูกมองว่ามีค่าใช้จ่ายสูงหรือมีความเสี่ยงมากเกินไป

ในระยะยาว ศักยภาพที่แท้จริงของ AI ในการค้นพบยารักษาโรคจะขึ้นอยู่กับการพัฒนาด้าน AI ที่อธิบายได้ โครงสร้างพื้นฐานข้อมูล และการทำงานร่วมกันในอุตสาหกรรม หากโมเดล AI สามารถกลายเป็นโมเดลที่โปร่งใสขึ้น โดยทำให้กระบวนการตัดสินใจของมันชัดเจนขึ้นสำหรับผู้กำกับดูแลและนักวิจัย ก็อาจนำไปสู่การนำ AI ไปใช้ในอุตสาหกรรมเภสัชกรรมในวงกว้างมากขึ้น นอกจากนี้ เมื่อคุณภาพของข้อมูลดีขึ้นและบริษัทต่างๆ พัฒนาแนวปฏิบัติในการแบ่งปันข้อมูลที่ดีขึ้น ระบบ AI จะพร้อมที่จะทำการค้นพบที่เป็นนวัตกรรม

สรุป

Generative AI ได้ครอบงำจินตนาการของนักวิทยาศาสตร์ นักลงทุน และผู้บริหารเภสัชกรรม และมีเหตุผลที่ดี มันสามารถเปลี่ยนแปลงการค้นพบยารักษาโรคได้ โดยลดเวลาและค่าใช้จ่ายในขณะเดียวกันก็ให้การรักษาโรคใหม่ๆ ที่สร้างสรรค์ให้กับผู้ป่วย ในขณะที่เทคโนโลยีนี้ได้แสดงคุณค่าของมันในระยะแรกของการค้นพบยา แต่ก็ยังไม่พร้อมที่จะเปลี่ยนแปลงกระบวนการทั้งหมด

ผลกระทบจริงของ Generative AI ในการค้นพบยารักษาโรคจะเกิดขึ้นในอีกหลายปีข้างหน้าเมื่อเทคโนโลยีนี้พัฒนาไป ในขณะเดียวกัน ความก้าวหน้านี้ขึ้นอยู่กับการเอาชนะความท้าทายที่เกี่ยวข้องกับคุณภาพของข้อมูล ความโปร่งใสของโมเดล และการทำงานร่วมกันภายในระบบนิเวศของอุตสาหกรรมเภสัชกรรม Generative AI เป็นเครื่องมือที่มีพลัง แต่คุณค่าแท้จริงของมันขึ้นอยู่กับวิธีการนำไปใช้ แม้ว่าความฮือฮาในปัจจุบันอาจเกินจริง แต่ศักยภาพของมันก็แท้จริง – และเรากำลังอยู่เพียงจุดเริ่มต้นของการค้นพบสิ่งที่มันสามารถทำได้

ดร. Tehseen Zia เป็นรองศาสตราจารย์ที่ได้รับการบรรจุแบบถาวร (tenure) ที่ COMSATS University Islamabad และสำเร็จการศึกษาระดับปริญญาเอกด้านปัญญาประดิษฐ์จากมหาวิทยาลัยเทคโนโลยีเวียนนา ประเทศออสเตรีย เขาเชี่ยวชาญด้านปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง วิทยาศาสตร์ข้อมูล และคอมพิวเตอร์วิทัศน์ และได้สร้างผลงานสำคัญผ่านการตีพิมพ์ในวารสารวิทยาศาสตร์ที่มีชื่อเสียง เขายังเป็นผู้นำโครงการอุตสาหกรรมต่าง ๆ ในฐานะหัวหน้าโครงการวิจัย และเคยทำงานเป็นที่ปรึกษาด้านปัญญาประดิษฐ์