پلتفرم هوشمند کشف دارو با هوش مصنوعی

امروزه بخش بزرگی از درمان بیماری‌هایی مانند سرطان، ام‌اس، روماتیسم مفصلی، بیماری‌های خودایمنی و بسیاری از بیماری‌های نادر، بر پایه داروهای زیستی و آنتی‌بادی‌های درمانی بنا شده است. اما کشف یک مولکول جدید و تبدیل آن به یک داروی موفق، یکی از طولانی‌ترین، پرهزینه‌ترین و پرریسک‌ترین فرآیندهای صنعت سلامت محسوب می‌شود. طراحی یک آنتی‌بادی جدید ممکن است بیش از ده سال زمان ببرد، میلیاردها دلار هزینه ایجاد کند و در نهایت بسیاری از پروژه‌ها هرگز به مرحله تجاری نرسند. مسئله اینجاست که فضای طراحی مولکول‌ها و توالی‌های پروتئینی تقریباً بی‌نهایت است. محققان ناچارند از میان میلیون‌ها یا میلیاردها ترکیب ممکن، تنها تعداد محدودی را به‌صورت آزمایشگاهی بررسی کنند. بخش عمده‌ای از فرآیند هنوز مبتنی بر آزمون و خطا، غربالگری‌های پرهزینه و تکرارهای طولانی آزمایشگاهی است. حلقه‌ی معیوب روشن است: تعداد بسیار زیاد گزینه‌های ممکن، آزمایش‌های زمان‌بر و پرهزینه، نرخ شکست بالا، و رسیدن دیرهنگام درمان‌های جدید به بیماران. این مسئله ذاتاً AI-first است؛ زیرا بدون هوش مصنوعی عملاً امکان جستجو و تحلیل فضای عظیم مولکول‌ها و پروتئین‌ها وجود ندارد. ستون‌های AI محصول شامل مدل‌های زبانی و مولد پروتئین برای طراحی توالی‌های جدید، مدل‌های ساختاری برای پیش‌بینی اتصال آنتی‌بادی و آنتی‌ژن، یادگیری ماشین برای پیش‌بینی affinity، specificity و پایداری مولکول‌ها، الگوریتم‌های بهینه‌سازی برای humanization و کاهش off-target effects، و مدل‌های Explainable AI برای کمک به محققان در انتخاب بهترین کاندیدها است. در واقع AI می‌تواند میلیون‌ها گزینه را در محیط محاسباتی بررسی کند و تنها امیدوارکننده‌ترین کاندیدها را به آزمایشگاه بفرستد.

بازار جهانی داروهای زیستی، آنتی‌بادی‌های مونوکلونال و درمان‌های هدفمند، یکی از سریع‌ترین بازارهای در حال رشد صنعت سلامت است و شرکت‌های دارویی به‌شدت به دنبال کاهش زمان و هزینه تحقیق و توسعه هستند. نکته استراتژیک اینجاست که محصول صرفاً یک ابزار محاسباتی نیست، بلکه می‌تواند به یک «طراح هوشمند مولکول» برای صنعت دارو تبدیل شود. MVP می‌تواند با طراحی آنتی‌بادی، humanization یا بهینه‌سازی affinity برای چند target مشخص آغاز شود و به مرور به سمت طراحی پروتئین‌های درمانی، آنتی‌بادی‌های bispecific، آنزیم‌های مهندسی‌شده و حتی طراحی داروهای نسل جدید گسترش پیدا کند. مزیت رقابتی پایدار، ترکیب مدل‌های اختصاصی، داده‌های آزمایشگاهی، نتایج تجربی و بازخورد پروژه‌های واقعی است که به مرور یک Data Moat ارزشمند ایجاد می‌کند؛ چیزی که بازتولید آن برای رقبا بسیار دشوار خواهد بود. مدل کسب‌وکار می‌تواند به شکل Platform-as-a-Service، همکاری تحقیق و توسعه با شرکت‌های دارویی یا مدل‌های مبتنی بر مشارکت در توسعه دارو شکل بگیرد.