จิงโกะ ดาต้าพอยต์ เปิดตัว VCPI: โครงการกล้าๆ ที่จะแก้ปัญหาข้อมูลของการค้นพบยาโดยใช้ AI

มานานแล้วที่ AI ในการค้นพบยา ถูกขัดขวางโดยปัญหาที่ดูเหมือนง่ายๆ: ข้อมูลไม่ดีเพียงพอ ภูเขาแห่งการเรียงลำดับ การศึกษาการรบกวนแบบผสม และการทดลองเซลล์ผสมทำให้เราเห็นความก้าวหน้าโดยไม่ได้ให้ผลลัพธ์ที่แท้จริง การกระโดดเชิงทำนายที่นักพัฒนายาได้รับไม่เคยเกิดขึ้น แทนที่จะให้ความชัดเจน สาขานี้สร้างเสียงรบกวน แทนที่จะให้ความสามารถในการทำซ้ำได้ มันสร้างการเปลี่ยนแปลง และแทนที่จะให้การวัดที่แม่นยำและเฉพาะเจาะจงสำหรับการฝึกอบรมแบบจำลองเซลล์เสมือนจริง มันสร้างชุดข้อมูลที่ได้รับการปรับให้เหมาะสมมากกว่าสำหรับการวัดขนาดมากกว่าความซื่อสัตย์ทางวิทยาศาสตร์

นี่คือสภาพแวดล้อมที่ จิงโกะ ดาต้าพอยต์ เปิดตัว การริเริ่มเภสัชวิทยาเซลล์เสมือน (VCPI) – โครงการที่ไม่เพียงแต่สัญญาว่าจะให้ข้อมูลมากขึ้น แต่ยังตั้งเป้าที่จะให้ข้อมูลที่ดีกว่า ซึ่งถูกสร้างขึ้นโดยเฉพาะสำหรับโมเดล AI ที่พยายามทำนายว่ายาแบบใดจะรบกวนระบบทางชีววิทยาที่แท้จริงได้อย่างไร การประกาศอย่างเป็นทางการของบริษัทเน้นย้ำว่า VCPI จะสร้างข้อมูลมากกว่า 12 พันล้านจุดข้อมูล และสร้างโปรไฟล์ 100,000 ยา โดยสร้างชุดข้อมูลเภสัชวิทยาแบบมาตรฐานแรกสำหรับการสร้างแบบจำลองเซลล์เสมือน

ทำไม “ข้อมูลมากขึ้น” จึงล้มเหลว

ใน บทความในบล็อก ที่แนะนำ VCPI จิงโกะใช้การเปรียบเทียบที่จับประเด็นหลักของการเดินทางที่ผิดพลาดของสาขานี้ได้อย่างสมบูรณ์แบบ สมมติว่าคุณโยนยาลงในลูกบอลแล้วพยายามค้นหาว่ายาไหนกินยาอะไร ทีนี้ ให้ขยายสิ่งนี้เป็นล้านลูกบอลในกรงเดียว นี่คือความผิดพลาดหลักของการทดลองเภสัชวิทยาแบบผสมเซลล์เดี่ยว พวกมันสร้างข้อมูลที่น่าประทับใจ แต่การออกแบบพื้นฐานทำให้ไม่สามารถระบุได้อย่างชัดเจนระหว่างยากับผลลัพธ์

ปัญหาไม่ใช่เทคโนโลยี แต่เป็นสถาปัตยกรรมการทดลอง สมมติฐานที่ว่าชุดข้อมูลที่ใหญ่ขึ้นจะสอนโมเดลที่ดีกว่านั้นได้พิสูจน์แล้วว่าเป็นเท็จ บล็อกกล่าวอย่างตรงไปตรงมาว่าความคิดนี้เป็น “การเสพติดข้อมูล” โดยแย้งว่าหากไม่มีการป้อนข้อมูลที่มีโครงสร้างดีและสัญญาณสูง แม้แต่ AI ที่ทันสมัยที่สุดก็จะเรียนรู้รูปแบบที่ผิด

VCPI แสดงถึงการเปลี่ยนแปลงที่ชัดเจนจากตรรกะนี้ แทนที่จะยกย่องขนาด มันเน้นย้ำถึงความสามารถในการติดตามทางชีววิทยา ความเข้มงวดในการทดลอง และโครงสร้างที่ควบคุมซึ่งจำเป็นต่อการเรียนรู้ของ AI จริงๆ

VCPI สร้างท่อข้อมูลใหม่

แทนที่จะพึ่งพาการทดสอบแบบผสมเซลล์เดี่ยว VCPI ใช้ DRUG-seq ซึ่งเป็นวิธีการเรียงลำดับ RNA แบบเป็นกลุ่มที่มีปริมาณสูง โดยที่ยาที่แตกต่างกันจะถูกบำบัดในหลุมที่มีบาร์โค้ดแยกจากกัน สิ่งนี้ช่วยให้จิงโกะสามารถวัดการตอบสนองแบบเฉพาะการรักษาด้วยสัญญาณต่อเสียงรบกวนที่สะอาดกว่าแบบการออกแบบผสม ตามข่าวประชาสัมพันธ์ อินฟราสตร์กต์แบบอัตโนมัติของบริษัทสามารถรันแผ่นทดสอบ 384 หลุมได้มากกว่า 100 แผ่นต่อสัปดาห์ โดยสร้างการวัด RNA ที่มีคุณภาพสูงหลายล้านรายการในระดับอุตสาหกรรม

สิ่งสำคัญไม่แพ้กันคือการแนะนำ V-Ref293 ซึ่งเป็นเซลล์บรรทัดฐานที่ถูกสร้างขึ้นใหม่และเป็นมาตรฐาน แทนที่จะให้แต่ละห้องทดลองใช้เซลล์บรรทัดฐานที่กลายพันธุ์และเปลี่ยนแปลงไป VCPI สร้างฐานทางชีววิทยาที่เป็นมาตรฐาน – “แฝดชีวิต” ของเซลล์เสมือนรุ่นใหม่ที่เกิดขึ้น สิ่งนี้กำจัดหนึ่งในแหล่งที่มาของการไม่สามารถทำซ้ำได้ในเภสัชวิทยาและให้พื้นฐานที่มั่นคงซึ่งโมเดล AI ต้องการอย่างมาก

ภายใต้โครงการริเริ่มนี้ จิงโกะเปิดโอกาสให้นักวิจัย ทีมเภสัชกรรม และนักพัฒนา AI เข้าร่วมโดยมีส่วนประกอบที่กำหนดดังนี้

• การเข้าร่วมแบบเปิดสำหรับนักวิจัย ทีมเภสัชกรรม และนักพัฒนา AI
• การวิเคราะห์ RNA แบบเป็นกลุ่มและไม่มีค่าใช้จ่ายสำหรับยาที่ส่งมา
• การเข้าถึงแบบอ้อมหรือการเข้าถึงแบบถาวรสำหรับผู้ร่วมให้ข้อมูล
• การเผยแพร่ข้อมูลรายเดือนที่ถูกกำหนดโดยการลงคะแนนของชุมชน
• โอกาสในการแบ่งปันแบบจำลอง การจัดลำดับความสำคัญของยา และการเข้าถึง “ผู้ใช้ระดับสูง” ในระยะแรก

แบบจำลองที่สร้างโดยชุมชน ไม่ใช่การปล่อยข้อมูล

หนึ่งในด้านที่ไม่เหมือนใครของ VCPI คือการตัดสินใจที่จะเปิดตัว ก่อน ที่ชุดข้อมูลจะเกิดขึ้น แทนที่จะอัปโหลดทรัพยากรที่เสร็จสมบูรณ์ จิงโกะขอให้ชุมชนวิทยาศาสตร์ช่วยกำหนดว่ายาอะไรที่สำคัญที่สุดและร่วมมือกันในเวลาจริงเมื่อชุดข้อมูลเติบโตขึ้น

แนวทางนี้ยังลดความเสี่ยงในการเข้าร่วม ด้วยการให้โอกาสบริษัทไบโอเทคในระยะเริ่มต้นที่จะส่งยามาและได้รับข้อมูลเภสัชวิทยาที่แท้จริงโดยไม่ต้องใช้งบประมาณมากในการทดสอบแบบเป็นกลุ่ม ทีม AI สามารถรับประกันว่าชุดข้อมูลสะท้อนถึงการรบกวนที่พวกเขาต้องการสำหรับการฝึกอบรมแบบจำลอง และห้องทดลองทางวิชาการสามารถมีส่วนร่วมโดยยังคงรักษาความเป็นไปได้ของการเข้าถึงแบบเอกสิทธิ์ 90 วัน

โครงสร้างนี้เปลี่ยนการสร้างข้อมูลให้เป็นกระบวนการทางวิทยาศาสตร์ที่มีส่วนร่วม – ไม่ใช่ผลิตภัณฑ์ที่คงที่

สิ่งนี้หมายถึงอะไรสำหรับอนาคตของ Bio-AI

ผลกระทบในวงกว้างของ VCPI มีมากกว่าจิงโกะหรือโครงการเซลล์เสมือนใดๆ สำหรับแบบจำลองเซลล์เสมือนจึงจะกลายเป็นที่น่าเชื่อถือทางวิทยาศาสตร์ พวกมันต้องได้รับการฝึกอบรมจากข้อมูลที่สามารถทำซ้ำได้ การรักษาแบบเฉพาะ และยึดติดกับฐานทางชีววิทยาที่มั่นคง หากไม่มีพื้นฐานนี้ AI จะยังคงสร้างภาพหลอน คาดการณ์ผิด หรือปรับให้เหมาะสมกับอุปกรณ์เสริม

โครงการริเริ่มเช่น VCPI ส่งสัญญาณถึงการเปลี่ยนแปลงวิธีคิดเกี่ยวกับข้อมูลเอง การออกแบบการทดลองกำลังจะกลายเป็นเรื่องสำคัญเท่ากับการออกแบบแบบจำลอง ความสามารถในการทำซ้ำได้กำลังกลายเป็นข้อกำหนดหลักอีกครั้ง แทนที่จะเป็นแนวคิดที่ต้องการ และโครงการที่ขับเคลื่อนด้วยชุมชนและโครงสร้างพื้นฐานแบบเปิดกำลังเริ่มแซงหน้าชุดข้อมูลที่เป็นเจ้าของแบบปิดในการเร่งนวัตกรรม

หากเซลล์เสมือนกลายเป็นเครื่องมือทำนายที่เชื่อถือได้ – เครื่องมือที่ช่วยจัดอันดับยา ระบุความเป็นพิษ หรือแสดงเส้นทางก่อนที่มนุษย์จะสัมผัสหลอดทดลอง – จะเป็นเพราะโครงการเช่น VCPI สร้างสภาพแวดล้อมข้อมูลที่มีโครงสร้างและเชื่อถือได้ที่พวกมันต้องการเพื่อเติบโต

โดยการจัดลำดับความสำคัญของข้อมูลที่ดีกว่ามากกว่าข้อมูลที่มากขึ้น จิงโกะกำลังสร้างรากฐานใหม่ของชีววิทยาที่ได้รับการช่วยเหลือจาก AI VCPI ไม่เพียงแต่ตอบสนองต่อวิกฤตข้อมูลในการค้นพบยา แต่ยังสร้างเวทีสำหรับยุคใหม่ที่การทดลองทางชีววิทยาและท่อฝึกอบรม AI จะพัฒนาร่วมกันอย่างเปิดเผยและมีจุดมุ่งหมาย