Mchakato wa jadi wa utafiti na maendeleo (R&D) wa dawa unajulikana kwa muda mrefu wa miaka kumi na gharama kubwa mno, lakini mabadiliko makubwa ya mfumo yanaendelea Mashariki. Kwa kuunganisha Generative AI na utafiti wa maabara unaojiendesha, wavumbuzi wa teknolojia ya kibayotekolojia wanapunguza kwa kiasi kikubwa muda unaohitajika kutambua dawa zinazoweza kufanya kazi kutoka miaka hadi miezi michache tu.

Insilico Medicine Inavunja Rekodi kwa R&D Inayoendeshwa na AI

Kiongozi katika mabadiliko haya ya kiteknolojia ni Insilico Medicine, kampuni ya kibayotekolojia iliyosajiliwa Hong Kong ambayo inafafanua upya kasi ya maendeleo ya dawa. Kulingana na Mkurugenzi Mtendaji Alex Zhavoronkov, kampuni hiyo imefanikiwa kutumia akili mnemba (AI) kupunguza muda wa uzalishaji wa dawa zinazofanyiwa majaribio hadi takriban mwaka mmoja.

Ongezeko la ufanisi si la kinadharia tu; linaonekana katika viwango vya ulimwengu halisi. Wakati mzunguko wa kawaida wa maendeleo wa kampuni hiyo ni takriban miezi 13, programu ya haraka zaidi ya Insilico Medicine ilifanikiwa kufikia uteuzi wa dawa inayofaa katika miezi tisa tu. Hatua hii imewezekeshwa kwa kuchanganya mifumo ya AI ya hali ya juu na uhakiki mkali wa maabara, ikitengeneza mzunguko wa mrejesho unaoharakisha mpito kutoka nadharia ya kidijitali hadi molekuli halisi.

Ushirikiano kati ya Generative AI na Utafiti wa Maabara

Kiini cha uvumbuzi huu kipo katika muungano wa nguvu ya kimitambo na majaribio ya kibayolojia. Tofauti na mbinu za jadi zinazotegemea uchunguzi wa kasi ya juu wa maktaba kubwa za kifizikia, mbinu inayoelekezwa na AI hutumia mifumo ya generative (generative models) kubuni molekuli mpya zenye sifa mahususi za kibayolojia.

Kwa kutabiri jinsi molekuli zitakavyoingiliana na protini lengwa kabla hata hazijatengenezwa maabara, watafiti wanaweza kuepuka maelfu ya majaribio yaliyoshindwa. Wakati utabiri huu wa AI unapounganishwa na mifumo ya kazi ya maabara inayojiendesha—mara nyingi inayojulikana kama mifumo ya "closed-loop"—mchakato wa kuhakiki dawa inayofaa unatembea kwa kasi isiyo ya kawaida. Ushirikiano huu unawawezesha wanasayansi kuelekeza juhudi zao za mikono kwenye matokeo yenye matumaini zaidi, hivyo kupunguza kwa kiasi kikubwa hatua ya "jaribio na makosa" inayotawala ugunduzi wa dawa wa kimapokeo.

Athari kwa Mazingira ya AI na Kibayotekolojia Duniani

Mafanikio yanayoonekana nchini China yanatumika kama uthibitisho thabiti wa dhana kwa sekta ya kibayotekolojia duniani. Wakati mifumo ya AI inakuwa na uwezo mkubwa zaidi wa kupita katika nafasi kubwa ya kikemia, "bonde la mauti" (death valley) la ugunduzi wa dawa—kipindi ambacho dawa nyingi zinashindwa kutokana na sumu au ukosefu wa ufanisi—kinaanza kusinyaa.

Kwa watengenezaji na waanzilishi katika nyanja ya teknolojia ya kina (deep tech), maendeleo haya yanasisitiza mwelekeo muhimu: programu za thamani zaidi za AI zinahama kutoka kwenye uundaji wa maandishi na picha na kuelekea katika nyanja za "physical AI". Uwezo wa kudhibiti data za kibayolojia na kutabiri matokeo ya kifizikia una athari kubwa za kiuchumi, ukiwa na uwezo wa kupunguza vikwazo vya kuanza kutibu magonjwa adimu na kupunguza gharama za jumla za huduma za afya duniani.

Mambo Muhimu ya Kuzingatia

  • Upunguzaji mkubwa wa muda: Insilico Medicine imethibitisha kuwa AI inaweza kupunguza muda wa uteuzi wa dawa hadi miezi tisa pekee.
  • Mbinu mseto: Uvumbuzi huu unaendeshwa na mchanganyiko wa usanifu wa generative AI na uhakiki wa maabara unaojiendesha, ikiondoka kwenye mbinu za jadi za jaribio na makosa.
  • Mabadiliko katika uchumi wa R&D: Mpito kutoka miaka hadi miezi katika hatua ya ugunduzi unawakilisha mabadiliko ya msingi katika jinsi makampuni ya kibayotekolojia yanavyosimamia mtaji na kasi ya utafiti.

Kwa nini kasi ni muhimu

Ugunduzi wa dawa kwa muda mrefu umekuwa kama mbio za masafa marefu. Makampuni hutumia miaka kuchuja mamilioni ya misombo, mara nyingi yakishindwa kabla hata molekuli moja haijafikia majaribio ya kliniki. Gharama ya kupeleka molekuli kutoka wazo hadi sokoni mara kwa mara hufikia mabilioni, na kiwango cha kushindwa—hasa katika hatua za awali za "ugunduzi"—kinaendelea kuwa juu. Nchini China, ambapo sekta ya kibayotekolojia inapanuka kwa kasi, mchakato wa haraka unaweza kuwapa makampuni ya ndani faida ya ushindani dhidi ya wachezaji wakubwa wa kimataifa na kuharakisha azma ya nchi hiyo kuwa kiongozi katika tiba za kibunifu.

Jinsi Insilico ilivyofikia alama ya miezi 9

Insilico Medicine, iliyoorodheshwa katika Hong Kong, inahusisha muda huu wa rekodi na mchanganyiko wa Generative AI na mifumo ya kazi ya maabara iliyoingiliana na mitambo. Generative AI inarejelea mifumo inayounda miundo mipya ya molekuli badala ya kutathmini tu miundo iliyopo. Kwa kuipa algoriti data kuhusu malengo ya protini na sifa zinazohitajika za kifamasia, mfumo huo unapendekeza misombo mipya inayotabiriwa kuungana kwa ufanisi.

Afisa Mtendaji Mkuu wa kampuni hiyo, Alex Zhavoronkov, anasema kuwa jukwaa hilo kwa kawaida huhamisha mradi kutoka utambuzi wa lengo hadi uteuzi wa mgombea kwa takriban miezi 13. Katika mzunguko wake wa haraka zaidi, mchakato huo ulikamilika ndani ya miezi tisa. Kupungua huku kunatokana na kuepuka maktaba kubwa za kimwili ambazo uchunguzi wa jadi wa kasi ya juu (high-throughput screening) hutegemea; badala yake, AI hudizain molekuli kwenye kompyuta, huchuja wagombea wasio na uwezekano, na kuwasilisha miundo yenye matumaini zaidi pekee kwenye maabara.

Mzunguko wa mrejesho wa AI-maabara

Mara tu molekuli inapoundwa, vifaa vya kiotomatiki hupima utendaji wake, sumu, na vipimo vingine muhimu. Matokeo hayo hurudishwa kwenye AI, yakiboresha utabiri wake kwa mzunguko unaofuata. Mfumo huu wa "mzunguko uliofungwa" (closed-loop) unamaanisha kuwa wanasayansi wanatumia muda mdogo kwenye majaribio ya kubahatisha na muda mwingi zaidi kutafsiri data ambayo algoriti tayari imeichuja.

Kwa kutabiri jinsi msombo utakavyofanya kazi kabla haujatengenezwa, mbinu hii inaweza kuruka maelfu ya majaribio yasiyofaa. Uotomatishaji wa uchunguzi (assays) unazidi kufupisha awamu ya uhakiki, ukiruhusu mgombea mmoja kusogea kutoka kwenye kompyuta hadi kwenye meza ya maabara na kisha uteuzi kwa sehemu ndogo sana ya muda wa jadi.

Nani atafaidika na nani anaweza kuachwa nyuma

Kinyume chake, kampuni zinazoshikilia mbinu za jadi za uchunguzi zinaweza kujikuta zimepitwa na wakati.

Tahadhari na njia ya mbele

Ahadi ya ugunduzi unaoharakishwa na AI haiondoi hitaji la uhakiki mkali. Mifumo ya utabiri ni bora kulingana na data iliyotumika kuifundisha, na upendeleo katika seti za mafunzo unaweza kusababisha kukosekana kwa ishara za usalama. Aidha, ingawa takwimu ya miezi tisa inavutia, inawakilisha programu moja tu; kutanua mbinu hii katika malengo mengi kunaweza kufichua vikwazo ambavyo bado havijaonekana.

Nini cha kufuatilia baadaye

Hatua hii ya miezi tisa inaonyesha kuwa kemia ya ugunduzi wa dawa haijafungwa tena kikamilifu kwenye meza ya maabara. Algoriti zinapoweza kuchora molekuli inayofaa na mashine zinapoweza kuipima ndani ya siku chache, muda wote hupungua. Ikiwa upungufu huo utakuwa hali ya kawaida mpya utategemea jinsi mfumo—makampuni, wawekezaji, wasimamizi, na wagonjwa—utakavyoendana haraka na ulimwengu ambapo "physical AI" huandika rasimu ya kwanza ya dawa za kesho.