Novo Nordisk با Amazon Web Services وارد شراکت شده است تا عاملهای «هوش مصنوعی عاملمحور» (agentic AI) را در فرآیندهای کشف داروی خود ادغام کند؛ هدفی که میخواهد زمان گذشت از فرضیه تا رسیدن به مولکول کاندید را کاهش دهد. این اقدام نشاندهنده چرخش از مدلهای پیشبینیکننده است که صرفاً الگوها را نشان میدهند، به سمت سیستمهای هوش مصنوعی که میتوانند آزمایشهای چندمرحلهای را بدون نیاز به دستور انسانی اجرا کنند.
از پیشبینی تا اجرا
تحقیقات داروسازی مدتهاست که برای غربالگری دادههای ژنومیک، شناسایی اهداف بالقوه و مدلسازی نحوه اتصال ترکیبات به پروتئینها، به ابزارهای یادگیری ماشین متکی بوده است. این ابزارها در مرحله «بینش و یافته» متوقف میشوند؛ یعنی دانشمندان همچنان باید آزمایش بعدی را طراحی کنند، شبیهسازیها را اجرا کنند و نتایج را تفسیر نمایند. در مقابل، هوش مصنوعی عاملمحور برای «عمل کردن» ساخته شده است. یک عامل هوش مصنوعی میتواند یک هدف سطح بالا دریافت کند — مثلاً «شناسایی یک مهارکننده مولکول کوچک برای پروتئین X» — و سپس فرآیندهای بازیابی دادهها، الگوریتمهای طراحی مولکولی، اجرای شبیهسازیها و حتی پیشنهاد پروتکلهای آزمایشگاهی را در قالب یک گردش کار واحد به هم زنجیر کند.
در عمل، Novo Nordisk از این عاملها برای سه وظیفه اصلی استفاده خواهد کرد:
- شناسایی هدف – اسکن مجموعهدادههای اُمیکس (omics) برای تعیین دقیق ژنها یا پروتئینهای مرتبط با بیماری و رتبهبندی آنها بر اساس قابلیت دارو شدن (druggability).
- طراحی درمان – تولید ساختارهای مولکولی کاندید، اجرای شبیهسازیهای داکینگ (docking) و دینامیک، و اصلاح مکرر ساختار شیمیایی بر اساس پروفایلهای پیشبینیشده اثربخشی و ایمنی.
- خودکارسازی پروتکل – تدوین برنامههای آزمایشی، سفارش واکنشگرها و بازگرداندن نتایج به چرخه هوش مصنوعی برای یادگیری مستمر.
شرکت امیدوار است با حذف انتقال دستی بین هر مرحله، فرآیندی را که بهطور سنتی سالها طول میکشد، به چند ماه کاهش دهد.
AWS به عنوان موتور هوش مصنوعی و ستون فقرات ابری
طبق این توافق، AWS به عنوان ارائهدهنده ترجیحی خدمات ابری و شریک استراتژیک هوش مصنوعی Novo Nordisk معرفی شده است. AWS خوشههای محاسباتی با کارایی بالا، پتابایتها فضای ذخیرهسازی برای دادههای توالییابی و آزمایش، و مجموعهای از سرویسهای هوش مصنوعی تنظیمشده برای حجم کاریهای علمی را تأمین خواهد کرد. این شراکت همچنین یک مرکز نوآوری مشترک در سایت لندن Novo Nordisk ایجاد میکند که در آن دانشمندان داده، زیستشناسان و مهندسان AWS به نمونهسازی و آزمایش عاملهای هوش مصنوعی سفارشی خواهند پرداخت.
این مرکز یک محیط آزمایشی (sandbox) است، نه یک خط تولید. تیمها میتوانند با معماریهای مختلف عاملها آزمایش کنند، پایگاههای داده بیولوژیکی اختصاصی را ادغام کنند و نحوه مدیریت موارد خاص (edge cases) مانند مسیرهای بیماریهای نادر یا اثرات خارج از هدف (off-target effects) توسط عاملها را ارزیابی کنند. نزدیکی فیزیکی، چرخه بازخورد را که برای پیوند دادن زیستشناسی پیچیده با هوش مصنوعی پیشرفته ضروری است، سرعت میبخشد.
چرا بخش بیوتکنولوژی این موضوع را دنبال میکند
توسعه دارو بهطور شناختهشدهای پرهزینه و کند است. میانگین این صنعت برای رساندن یک مولکول از مرحله ایده به بازار، بیش از یک دهه زمان و میلیاردها دلار هزینه میطلبد. هر فناوری که بتواند بهطور قابلاطمینانی هفتهها یا ماهها از این بازه زمانی بکاهد، مستقیماً هزینهها را کاهش داده، دسترسی بیمار به دارو را تسریع میکند و موقعیت رقابتی شرکت را بهبود میبخشد.
هوش مصنوعی عاملمحور همچنین بخش بیوتکنولوژی را به سمت مدل عملیاتی «اول-ابر» (cloud-first) سوق میدهد. شرکتهایی که میتوانند خوشههای محاسباتی عظیم را در لحظه راهاندازی کنند، شبیهسازیهای موازی انجام دهند و هر تکرار از طراحی یک مولکول را در یک مخزن مشترک ذخیره کنند، از مزیت استراتژیک برخوردار خواهند بود. همسویی Novo Nordisk با AWS نشان میدهد که موج بعدی نوآوری در داروسازی از زیرساختهای ابری مقیاسپذیر جداییناپذیر خواهد بود.
ریسکها و ملاحظات
نویدبخش بودن عاملهای خودکار به معنای حذف نیاز به تخصص انسانی نیست. اعتبارسنجی همچنان یک گلوگاه است؛ یک ترکیب پیشنهادی توسط هوش مصنوعی همچنان باید سنتز شده، در محیط آزمایشگاهی (in vitro) تست شود و از نظر سمیت مورد ارزیابی قرار گیرد. منتقدان خاطرنشان میکنند که سیستمهای هوش مصنوعی میتوانند سوگیریهای موجود در دادههای آموزشی را به ارث ببرند و بهطور بالقوه مکانیسمهای جدیدی را که خارج از الگوهای تاریخی هستند، نادیده بگیرند. نهادهای نظارتی هنوز دستورالعملهای شفافی برای کاندیداهای دارویی تولید شده توسط هوش مصنوعی تعریف نکردهاند، که این امر پرسشهایی را در مورد مسئولیتپذیری در صورت مواجهه یک آزمایش مبتنی بر هوش مصنوعی با مسائل ایمنی ایجاد میکند.
یک مانع دیگر، یکپارچهسازی است. سیستمهای موجود مدیریت اطلاعات آزمایشگاهی (LIMS) و دفترچههای الکترونیکی آزمایشگاه بر پایه گردش کارهای انسانمحور ساخته شدهاند. اتصال یک عامل خودکار به این اکوسیستم ممکن است مستلزم بازمهندسی گسترده باشد و هزینه چنین یکپارچهسازیای بهطور عمومی اعلام نشده است.
آنچه باید در آینده زیر نظر داشت
- شاخصهای عملکردی – مطالعات اولیه از مرکز لندن نشان خواهد داد که عاملها با چه سرعتی میتوانند از مرحله انتخاب هدف به یک ترکیب پیشرو (lead) از نظر شیمیایی قابل اجرا برسند و این سرعت در مقایسه با فرآیندهای سنتی چگونه است.
- واکنشهای نظارتی – با ورود کاندیداهای تولیدشده توسط هوش مصنوعی به کارآزماییهای بالینی، نهادهای نظارتی باید در مورد نحوه ارزیابی فرآیندهای زیربنایی هوش مصنوعی تصمیمگیری کنند. هرگونه دستورالعمل در این زمینه میتواند الگوهایی را برای کل این صنعت ایجاد کند.
- اثرات موجی رقابتی – سایر شرکتهای بزرگ داروسازی به بررسی استراتژیهای مشابه با اولویت هوش مصنوعی اشاره کردهاند. اگر Novo Nordisk بهبودهای قابل اندازهگیری در سرعت یا هزینه را نشان دهد، میتوانیم انتظار موجی از مشارکتها بین شرکتهای زیستفناوری و ارائهدهندگان اصلی خدمات ابری را داشته باشیم.
- جریان استعدادها – این همکاری ممکن است پژوهشگران هوش مصنوعی با تمرکز بر زیستشناسی را جذب کند، الگوهای استخدام را بازتعریف کند و بهطور بالقوه برنامههای دانشگاهی را وادار کند تا بر «هوش مصنوعی عاملمحور برای علوم زیستی» تأکید کنند.
خلاصه نهایی
اتحاد Novo Nordisk با AWS، بحث در حوزه کشف دارو را از «هوش مصنوعی چه چیزی میتواند به ما بگوید؟» به «هوش مصنوعی چه کاری میتواند برای ما انجام دهد؟» تغییر میدهد. این مشارکت با سپردن فرآیند اجرا به عاملهای خودمختار، قصد دارد فرآیندی را که از نظر تاریخی طولانی و پرهزینه بوده است، به چرخهای چابکتر و تکرارشوندهتر تبدیل کند. موفقیت در این مسیر میتواند سرعت رسیدن درمانهای جدید به بیماران را بازتعریف کند، اما این امر به اعتبارسنجی مستحکم، شفافیت نظارتی و توانایی ادغام عاملهای هوش مصنوعی در جریانهای کاری موجود آزمایشگاهی بستگی دارد. صنعت داروسازی نتایج اولیه مرکز لندن را با دقت زیر نظر خواهد داشت؛ این نتایج ممکن است به معیاری برای نسل بعدی پزشکی مبتنی بر هوش مصنوعی تبدیل شوند.