Novo Nordisk ได้ลงนามเป็นพันธมิตรกับ Amazon Web Services เพื่อนำ "Agentic AI" เข้ามาใช้ในกระบวนการค้นหายา (drug-discovery pipelines) โดยมีเป้าหมายเพื่อลดระยะเวลาตั้งแต่การตั้งสมมติฐานไปจนถึงการได้โมเลกุลต้นแบบ การเคลื่อนไหวครั้งนี้ถือเป็นการเปลี่ยนผ่านจากโมเดลเชิงคาดการณ์ (predictive models) ที่ทำหน้าที่เพียงชี้ให้เห็นรูปแบบข้อมูล ไปสู่ระบบ AI ที่สามารถดำเนินการทดลองหลายขั้นตอนได้โดยไม่ต้องรอการสั่งการจากมนุษย์

จากการคาดการณ์สู่การลงมือทำ

การวิจัยทางเภสัชกรรมพึ่งพาเครื่องมือ Machine Learning มาอย่างยาวนานในการคัดกรองข้อมูลจีโนมิกส์ (genomic data) ระบุเป้าหมายที่มีศักยภาพ และจำลองวิธีการที่สารประกอบอาจจับกับโปรตีน อย่างไรก็ตาม เครื่องมือเหล่านั้นสิ้นสุดลงเพียงแค่ขั้นตอนการให้ข้อมูลเชิงลึก นักวิทยาศาสตร์ยังคงต้องออกแบบการทดลองขั้นต่อไป รันการจำลอง และตีความผลลัพธ์ด้วยตนเอง ในทางตรงกันข้าม Agentic AI ถูกสร้างขึ้นมาเพื่อ "ลงมือทำ" โดย AI agent สามารถรับเป้าหมายระดับสูง เช่น "ระบุตัวยับยั้งโมเลกุลขนาดเล็กสำหรับโปรตีน X" จากนั้นจึงเชื่อมโยงการดึงข้อมูล อัลกอริทึมการออกแบบโมเลกุล การรันการจำลอง และแม้กระทั่งการเสนอระเบียบวิธีปฏิบัติในห้องปฏิบัติการ (laboratory protocols) ทั้งหมดนี้ภายในเวิร์กโฟลว์เดียว

ในทางปฏิบัติ Novo Nordisk จะใช้เอเจนต์เหล่านี้สำหรับสามภารกิจหลัก:

  • การระบุเป้าหมาย (Target identification) – การสแกนชุดข้อมูลโอมิกส์ (omics datasets) เพื่อระบุยีนหรือโปรตีนที่เกี่ยวข้องกับโรค และจัดลำดับตามความสามารถในการใช้ยา (druggability)
  • การออกแบบการรักษา (Therapy design) – การสร้างโครงสร้างโมเลกุลต้นแบบ การรันการจำลองการจับกัน (docking) และพลวัต (dynamics simulations) และการปรับปรุงโครงสร้างทางเคมีซ้ำๆ ตามประสิทธิภาพและความปลอดภัยที่คาดการณ์ไว้
  • การสร้างระบบอัตโนมัติสำหรับระเบียบวิธีปฏิบัติ (Protocol automation) – การร่างแผนการทดลอง การสั่งซื้อสารเคมี และการป้อนผลลัพธ์กลับเข้าสู่ลูปของ AI เพื่อการเรียนรู้อย่างต่อเนื่อง

ด้วยการลดขั้นตอนการส่งต่องานด้วยมือระหว่างแต่ละขั้นตอน บริษัทหวังว่าจะสามารถย่นระยะเวลาจากกระบวนการที่ตามปกติใช้เวลาหลายปี ให้เหลือเพียงไม่กี่เดือน

AWS ในฐานะเครื่องยนต์ AI และโครงสร้างพื้นฐานคลาวด์

ข้อตกลงนี้ระบุให้ AWS เป็นผู้ให้บริการคลาวด์ที่ Novo Nordisk เลือกใช้และเป็นพันธมิตรเชิงกลยุทธ์ด้าน AI โดย AWS จะจัดหาคลัสเตอร์คอมพิวเตอร์ประสิทธิภาพสูง พื้นที่จัดเก็บข้อมูลระดับเพตาไบต์สำหรับข้อมูลการหาลำดับพันธุกรรมและข้อมูลการทดลอง รวมถึงชุดบริการ AI ที่ปรับแต่งมาเพื่อภาระงานทางวิทยาศาสตร์โดยเฉพาะ นอกจากนี้ ความร่วมมือดังกล่าวยังสร้างศูนย์นวัตกรรมร่วม (co-innovation hub) ที่ไซต์งานของ Novo Nordisk ในลอนดอน ซึ่งนักวิทยาศาสตร์ข้อมูล นักชีววิทยา และวิศวกรของ AWS จะร่วมกันสร้างต้นแบบและทดสอบ Agentic AI ที่ออกแบบมาโดยเฉพาะ

ศูนย์แห่งนี้เป็นพื้นที่ทดลอง (sandbox) ไม่ใช่สายการผลิต ทีมงานสามารถทดลองกับสถาปัตยกรรมเอเจนต์ที่แตกต่างกัน รวมฐานข้อมูลทางชีวภาพที่เป็นกรรมสิทธิ์ และประเมินวิธีที่เอเจนต์จัดการกับกรณีพิเศษ (edge cases) เช่น เส้นทางของโรคหายาก หรือผลข้างเคียงนอกเป้าหมาย (off-target effects) ความใกล้ชิดกันจะช่วยเร่งวงจรการตอบกลับ (feedback loop) ซึ่งเป็นสิ่งสำคัญเมื่อต้องนำชีววิทยาที่ซับซ้อนมาผสานเข้ากับ AI ที่ล้ำสมัย

ทำไมภาคส่วนเทคโนโลยีชีวภาพจึงจับตามอง

การพัฒนายานั้นขึ้นชื่อเรื่องค่าใช้จ่ายที่สูงและใช้เวลานาน โดยอุตสาหกรรมนี้ต้องใช้เวลาเฉลี่ยมากกว่าหนึ่งทศวรรษและเงินลงทุนหลายพันล้านดอลลาร์ในการนำโมเลกุลจากแนวคิดเข้าสู่ตลาด เทคโนโลยีใดก็ตามที่สามารถลดระยะเวลาดังกล่าวลงได้เป็นสัปดาห์หรือเป็นเดือนอย่างน่าเชื่อถือ จะช่วยลดต้นทุนโดยตรง ช่วยให้ผู้ป่วยเข้าถึงยาได้เร็วขึ้น และเพิ่มความสามารถในการแข่งขันของบริษัท

Agentic AI ยังผลักดันให้ภาคส่วนนี้มุ่งสู่รูปแบบการดำเนินงานที่เน้นคลาวด์เป็นหลัก (cloud-first operating model) บริษัทที่สามารถเปิดใช้งานคลัสเตอร์คอมพิวเตอร์ขนาดใหญ่ได้ตามต้องการ รันการจำลองแบบขนาน และจัดเก็บทุกการปรับปรุงการออกแบบโมเลกุลไว้ในคลังข้อมูลส่วนกลาง จะได้รับความได้เปรียบเชิงกลยุทธ์ การที่ Novo Nordisk ร่วมมือกับ AWS เป็นสัญญาณว่าคลื่นลูกใหม่ของนวัตกรรมยาจะไม่สามารถแยกออกจากโครงสร้างพื้นฐานคลาวด์ที่ขยายขนาดได้

ความเสี่ยงและข้อกังวล

คำมั่นสัญญาของเอเจนต์อัตโนมัติไม่ได้ทำให้ความจำเป็นในความเชี่ยวชาญของมนุษย์หมดไป การตรวจสอบความถูกต้อง (validation) ยังคงเป็นคอขวด สารประกอบที่ AI แนะนำยังคงต้องผ่านการสังเคราะห์ การทดสอบในหลอดทดลอง (in vitro) และการประเมินความเป็นพิษ นักวิจารณ์ตั้งข้อสังเกตว่าระบบ AI อาจรับเอาอคติจากข้อมูลที่ใช้ฝึกฝนมา ซึ่งอาจทำให้มองข้ามกลไกใหม่ๆ ที่อยู่นอกเหนือจากรูปแบบในอดีต นอกจากนี้ หน่วยงานกำกับดูแลยังไม่ได้กำหนดแนวทางที่ชัดเจนสำหรับยาต้นแบบที่สร้างโดย AI ซึ่งทำให้เกิดคำถามเกี่ยวกับความรับผิดชอบหากการทดลองที่ขับเคลื่อนด้วย AI ประสบปัญหาด้านความปลอดภัย

การบูรณาการก็เป็นอีกหนึ่งอุปสรรค ระบบจัดการข้อมูลห้องปฏิบัติการ (LIMS) และสมุดบันทึกห้องปฏิบัติการอิเล็กทรอนิกส์ที่มีอยู่เดิมถูกสร้างขึ้นตามเวิร์กโฟลว์ที่เน้นมนุษย์เป็นศูนย์กลาง การนำเอเจนต์อัตโนมัติเข้ามาเชื่อมต่อกับระบบนิเวศดังกล่าวอาจต้องมีการปรับปรุงโครงสร้างใหม่ขนานใหญ่ และต้นทุนในการบูรณาการดังกล่าวยังไม่มีการเปิดเผยต่อสาธารณะ

สิ่งที่ต้องจับตามองต่อไป

  • เกณฑ์มาตรฐานด้านประสิทธิภาพ – การศึกษาในระยะแรกจากศูนย์กลางในลอนดอนจะเผยให้เห็นว่าเอเจนต์สามารถเปลี่ยนจากการเลือกเป้าหมายไปสู่การค้นพบสารตั้งต้นที่มีความเป็นไปได้ทางเคมีได้รวดเร็วเพียงใด และเมื่อเปรียบเทียบกับกระบวนการแบบดั้งเดิมแล้วเป็นอย่างไร
  • การตอบสนองด้านกฎระเบียบ – เมื่อตัวยาที่สร้างโดย AI เข้าสู่การทดลองทางคลินิก หน่วยงานกำกับดูแลจะต้องตัดสินใจว่าจะประเมินกระบวนการ AI ที่อยู่เบื้องหลังอย่างไร ซึ่งแนวทางใดก็ตามอาจกลายเป็นบรรทัดฐานสำหรับทั้งอุตสาหกรรม
  • ผลกระทบต่อเนื่องทางการแข่งขัน – บริษัทเวชภัณฑ์รายใหญ่อื่นๆ ได้ส่งสัญญาณถึงการสำรวจกลยุทธ์ที่เน้น AI เป็นหลักในลักษณะเดียวกัน หาก Novo Nordisk สามารถแสดงให้เห็นถึงความเร็วหรือการลดต้นทุนที่วัดผลได้ เราอาจคาดหวังได้ว่าจะเกิดการสร้างพันธมิตรอย่างต่อเนื่องระหว่างบริษัทเทคโนโลยีชีวภาพและผู้ให้บริการคลาวด์รายใหญ่
  • การเคลื่อนย้ายบุคลากรที่มีความสามารถ – ความร่วมมือนี้อาจดึงดูดนักวิจัย AI ที่เน้นด้านชีววิทยา ซึ่งจะช่วยปรับเปลี่ยนรูปแบบการจ้างงาน และอาจกระตุ้นให้หลักสูตรทางวิชาการหันมาให้ความสำคัญกับ “Agentic AI สำหรับวิทยาศาสตร์ชีวภาพ”

บทสรุป

พันธมิตรระหว่าง Novo Nordisk และ AWS กำลังเปลี่ยนบทสนทนาในการค้นพบยาจาก “AI บอกอะไรเราได้บ้าง?” ไปสู่ “AI ทำอะไรให้เราได้บ้าง?” ด้วยการมอบการดำเนินงานให้แก่เอเจนต์อัตโนมัติ ความร่วมมือนี้มีเป้าหมายเพื่อย่อกระบวนการที่เคยยาวนานและมีค่าใช้จ่ายสูงในอดีต ให้กลายเป็นวงจรที่กระชับและมีการทำซ้ำได้มากขึ้น ความสำเร็จอาจเป็นการกำหนดนิยามใหม่ว่าการรักษาแบบใหม่จะเข้าถึงผู้ป่วยได้รวดเร็วเพียงใด แต่ทั้งนี้ขึ้นอยู่กับการตรวจสอบความถูกต้องที่เข้มงวด ความชัดเจนด้านกฎระเบียบ และความสามารถในการผสานเอเจนต์ AI เข้ากับกระบวนการทำงานในห้องปฏิบัติการที่มีอยู่เดิม อุตสาหกรรมจะเฝ้าติดตามผลลัพธ์แรกจากศูนย์กลางในลอนดอนอย่างใกล้ชิด ซึ่งผลลัพธ์เหล่านี้อาจกลายเป็นเกณฑ์มาตรฐานสำหรับการแพทย์ที่ขับเคลื่อนด้วย AI ในยุคถัดไป