กระบวนการวิจัยและพัฒนา (R&D) ยาแบบดั้งเดิมนั้นขึ้นชื่อเรื่องระยะเวลาที่ยาวนานนับทศวรรษและต้นทุนที่มหาศาล แต่กำลังเกิดการเปลี่ยนแปลงกระบวนทัศน์ครั้งสำคัญในซีกโลกตะวันออก ด้วยการบูรณาการ Generative AI เข้ากับการวิจัยในห้องปฏิบัติการแบบอัตโนมัติ เหล่านวัตกรด้านเทคโนโลยีชีวภาพกำลังลดระยะเวลาที่ต้องใช้ในการระบุตัวยาที่มีศักยภาพจากหลายปีให้เหลือเพียงไม่กี่เดือน

Insilico Medicine สร้างสถิติใหม่ด้วย R&D ที่ขับเคลื่อนด้วย AI

ผู้นำในการเปลี่ยนแปลงทางเทคโนโลยีครั้งนี้คือ Insilico Medicine บริษัทเทคโนโลยีชีวภาพที่จดทะเบียนในตลาดหลักทรัพย์ฮ่องกง ซึ่งกำลังสร้างนิยามใหม่ให้กับความเร็วในการพัฒนาตัวยา ตามความเห็นของ Alex Zhavoronkov ซีอีโอของบริษัท บริษัทประสบความสำเร็จในการใช้ปัญญาประดิษฐ์เพื่อลดระยะเวลาการผลิตตัวยาที่มีศักยภาพในการพัฒนาให้เหลือเพียงประมาณหนึ่งปี

ประสิทธิภาพที่เพิ่มขึ้นนี้ไม่ใช่เพียงแค่ในทางทฤษฎี แต่สะท้อนให้เห็นผ่านเกณฑ์มาตรฐานในโลกแห่งความเป็นจริง แม้วงจรการพัฒนาปกติของบริษัทจะอยู่ที่ประมาณ 13 เดือน แต่โปรแกรมที่เร็วที่สุดของ Insilico Medicine สามารถระบุตัวยาที่มีศักยภาพ (candidate nomination) ได้ในเวลาเพียงเก้าเดือน ความก้าวกระโดดนี้เกิดขึ้นได้จากการผสมผสานโมเดล AI ที่ซับซ้อนเข้ากับการตรวจสอบในห้องปฏิบัติการอย่างเข้มงวด ทำให้เกิดวงจรการตอบกลับ (feedback loop) ที่เร่งการเปลี่ยนผ่านจากสมมติฐานในรูปแบบดิจิทัลไปสู่โมเลกุลที่มีอยู่จริง

การทำงานร่วมกันระหว่าง Generative AI และการวิจัยในห้องปฏิบัติการ

หัวใจสำคัญของความสำเร็จนี้อยู่ที่การผสานพลังของการคำนวณเข้ากับการทดลองทางชีวภาพ ซึ่งแตกต่างจากวิธีการแบบดั้งเดิมที่ต้องพึ่งพาการคัดกรองสารจำนวนมหาศาล (high-throughput screening) จากคลังสารทางกายภาพขนาดใหญ่ แนวทางที่ขับเคลื่อนด้วย AI จะใช้โมเดลแบบ Generative เพื่อออกแบบโมเลกุลใหม่ๆ ที่มีคุณสมบัติทางชีวภาพเฉพาะเจาะจง

ด้วยการทำนายว่าโมเลกุลจะทำปฏิกิริยากับโปรตีนเป้าหมายอย่างไรก่อนที่จะมีการสังเคราะห์ในห้องปฏิบัติการ นักวิจัยจึงสามารถข้ามขั้นตอนการทดลองที่ล้มเหลวนับพันครั้งได้ เมื่อการทำนายของ AI เหล่านี้ถูกรวมเข้ากับกระบวนการทำงานในห้องปฏิบัติการแบบอัตโนมัติ ซึ่งมักเรียกว่าระบบ "closed-loop" กระบวนการตรวจสอบความถูกต้องของตัวยาจะดำเนินไปด้วยความเร็วที่ไม่เคยมีมาก่อน การทำงานร่วมกันนี้ช่วยให้นักวิทยาศาสตร์สามารถทุ่มเทความพยายามในการทำงานด้วยมือไปยังตัวยาที่มีแนวโน้มดีที่สุด ซึ่งช่วยลดขั้นตอน "ลองผิดลองถูก" (trial and error) ที่เป็นลักษณะเฉพาะของการค้นพบยาแบบดั้งเดิมได้อย่างมีนัยสำคัญ

นัยสำคัญต่อภูมิทัศน์ AI และเทคโนโลยีชีวภาพระดับโลก

ความสำเร็จที่เกิดขึ้นในจีนถือเป็นข้อพิสูจน์แนวคิด (proof of concept) ที่ทรงพลังสำหรับภาคส่วนเทคโนโลยีชีวภาพทั่วโลก เมื่อโมเดล AI มีความเชี่ยวชาญมากขึ้นในการสำรวจพื้นที่ทางเคมีอันกว้างขวาง "หุบเขาแห่งความตาย" (death valley) ของการค้นพบยา ซึ่งเป็นช่วงเวลาที่ตัวยาส่วนใหญ่ล้มเหลวเนื่องจากความเป็นพิษหรือการขาดประสิทธิภาพ ก็เริ่มที่จะลดน้อยลง

สำหรับนักพัฒนาและผู้ก่อตั้งในกลุ่ม Deep Tech พัฒนาการนี้ตอกย้ำถึงแนวโน้มสำคัญที่ว่า แอปพลิเคชัน AI ที่มีมูลค่าสูงสุดกำลังก้าวข้ามจากการสร้างข้อความและรูปภาพ ไปสู่โดเมน "Physical AI" ความสามารถในการจัดการข้อมูลทางชีวภาพและทำนายผลลัพธ์ทางกายภาพมีนัยสำคัญทางเศรษฐกิจอย่างมหาศาล โดยอาจช่วยลดอุปสรรคในการเข้าถึงการรักษาโรคหายาก และลดต้นทุนด้านสาธารณสุขโดยรวมทั่วโลก

สรุปประเด็นสำคัญ

  • การลดระยะเวลาอย่างมหาศาล: Insilico Medicine ได้แสดงให้เห็นว่า AI สามารถลดระยะเวลาการระบุตัวยาที่มีศักยภาพให้เหลือเพียงเก้าเดือนเท่านั้น
  • วิธีการแบบไฮบริด: ความสำเร็จนี้ขับเคลื่อนด้วยการผสมผสานระหว่างการออกแบบด้วย Generative AI และการตรวจสอบในห้องปฏิบัติการแบบอัตโนมัติ ซึ่งเป็นการก้าวออกจากวิธีการลองผิดลองถูกแบบเดิม
  • การเปลี่ยนแปลงทางเศรษฐศาสตร์ของ R&D: การเปลี่ยนผ่านจากระยะเวลาหลายปีมาเป็นเพียงไม่กี่เดือนในขั้นตอนการค้นพบ ถือเป็นการเปลี่ยนแปลงพื้นฐานในวิธีที่บริษัทเทคโนโลยีชีวภาพบริหารจัดการเงินทุนและความเร็วในการวิจัย

ทำไมความเร็วถึงสำคัญ

การค้นพบยาเปรียบเสมือนการวิ่งมาราธอนมาอย่างยาวนาน บริษัทต่างๆ ต้องใช้เวลาหลายปีในการคัดกรองสารประกอบหลายล้านชนิด และมักจะล้มเหลวก่อนที่โมเลกุลเพียงตัวเดียวจะเข้าสู่การทดสอบทางคลินิก ต้นทุนในการนำโมเลกุลจากแนวคิดไปสู่ตลาดมักจะพุ่งสูงถึงระดับพันล้าน และอัตราการล้มเหลว (attrition rate) โดยเฉพาะในขั้นตอน "การค้นพบ" (discovery) ในช่วงแรกนั้นยังคงอยู่ในระดับสูง ในประเทศจีนซึ่งภาคส่วนเทคโนโลยีชีวภาพกำลังขยายตัวอย่างรวดเร็ว กระบวนการที่รวดเร็วขึ้นอาจช่วยให้บริษัทในประเทศมีความได้เปรียบในการแข่งขันเหนือผู้เล่นระดับโลกที่จัดตั้งมานาน และเร่งความทะเยอทะยานของประเทศในการก้าวขึ้นเป็นผู้นำด้านการรักษาโรคเชิงนวัตกรรม

Insilico ทำอย่างไรจึงบรรลุเป้าหมาย 9 เดือน

Insilico Medicine ซึ่งจดทะเบียนในฮ่องกง ระบุว่าการทำสถิติใหม่นี้เป็นผลมาจากการผสมผสานระหว่างปัญญาประดิษฐ์เชิงสร้างสรรค์ (generative AI) และกระบวนการทำงานในห้องปฏิบัติการแบบอัตโนมัติ Generative AI หมายถึงโมเดลที่สร้างโครงสร้างโมเลกุลใหม่ขึ้นมา แทนที่จะเป็นเพียงการประเมินโครงสร้างที่มีอยู่เดิม ด้วยการป้อนข้อมูลเกี่ยวกับเป้าหมายโปรตีน (protein targets) และคุณสมบัติทางเภสัชวิทยาที่ต้องการลงในอัลกอริทึม ระบบจะนำเสนอสารประกอบใหม่ๆ ที่คาดการณ์ว่าจะสามารถจับกับเป้าหมายได้อย่างมีประสิทธิภาพ

Alex Zhavoronkov ซีอีโอของบริษัท กล่าวว่า โดยปกติแล้วแพลตฟอร์มนี้จะใช้เวลาในการดำเนินโครงการตั้งแต่การระบุเป้าหมาย (target identification) ไปจนถึงการเสนอชื่อสารประกอบต้นแบบ (candidate nomination) ประมาณ 13 เดือน แต่ในการทำงานที่เร็วที่สุด วงจรนี้ใช้เวลาเพียงเก้าเดือนเท่านั้น การลดระยะเวลาดังกล่าวทำได้โดยการข้ามขั้นตอนการใช้คลังสารเคมีทางกายภาพขนาดใหญ่ที่การคัดกรองประสิทธิภาพสูงแบบดั้งเดิม (traditional high-throughput screening) ต้องพึ่งพา แต่ AI จะออกแบบโมเลกุลบนคอมพิวเตอร์ คัดกรองสารที่ไม่น่าจะเป็นไปได้ออก และส่งต่อเฉพาะโครงสร้างที่มีแนวโน้มดีที่สุดไปยังห้องปฏิบัติการเท่านั้น

วงจรการตอบกลับระหว่าง AI และห้องปฏิบัติการ

เมื่อโมเลกุลถูกสังเคราะห์ขึ้น เครื่องมืออัตโนมัติจะทดสอบการออกฤทธิ์ ความเป็นพิษ และตัวชี้วัดสำคัญอื่นๆ ผลลัพธ์ที่ได้จะถูกป้อนกลับไปยัง AI เพื่อปรับปรุงการคาดการณ์สำหรับการทดสอบรอบถัดไป ระบบ "วงจรปิด" (closed-loop) นี้หมายความว่านักวิทยาศาสตร์ที่เป็นมนุษย์จะใช้เวลากับการลองผิดลองถูกน้อยลง และใช้เวลามากขึ้นในการตีความข้อมูลที่อัลกอริทึมได้คัดกรองมาให้แล้ว

ด้วยการคาดการณ์ว่าสารประกอบจะมีพฤติกรรมอย่างไรก่อนที่จะมีการผลิตจริง วิธีการนี้จึงสามารถข้ามการทดลองที่ล้มเหลวได้เป็นพันๆ ครั้ง การใช้ระบบอัตโนมัติในการทดสอบ (automation of assays) ยังช่วยย่นระยะเวลาในขั้นตอนการตรวจสอบความถูกต้อง (validation phase) ทำให้สารประกอบต้นแบบเพียงตัวเดียวสามารถเคลื่อนย้ายจากคอมพิวเตอร์สู่โต๊ะปฏิบัติการ และไปถึงขั้นตอนการเสนอชื่อได้ในเวลาเพียงเสี้ยวเดียวของวิธีการแบบดั้งเดิม

ใครจะได้ประโยชน์ และใครจะถูกทิ้งไว้ข้างหลัง

ในทางกลับกัน บริษัทที่ยังคงยึดติดกับวิธีการคัดกรองแบบดั้งเดิมอาจพบว่าตนเองตามไม่ทัน

ข้อควรระวังและเส้นทางข้างหน้า

คำสัญญาของการค้นพบที่เร่งความเร็วด้วย AI ไม่ได้ลบล้างความจำเป็นในการตรวจสอบความถูกต้องอย่างเข้มงวด โมเดลการคาดการณ์จะดีได้เท่ากับข้อมูลที่ใช้ฝึกฝนเท่านั้น และความลำเอียง (biases) ในชุดข้อมูลฝึกฝนอาจนำไปสู่การมองข้ามสัญญาณด้านความปลอดภัย ยิ่งไปกว่านั้น แม้ว่าตัวเลขเก้าเดือนจะดูน่าประทับใจ แต่นั่นเป็นเพียงโปรแกรมเดียว การขยายวิธีการนี้ไปสู่เป้าหมายที่หลากหลายอาจเผยให้เห็นคอขวดที่ยังไม่ปรากฏชัดในขณะนี้

สิ่งที่ต้องจับตามองต่อไป

หมุดหมายเก้าเดือนแสดงให้เห็นว่าเคมีของการค้นพบยาไม่ได้ถูกจำกัดอยู่เพียงแค่บนโต๊ะปฏิบัติการอีกต่อไป เมื่ออัลกอริทึมสามารถร่างโมเลกุลที่ใช้งานได้จริง และเครื่องจักรสามารถทดสอบมันได้ภายในไม่กี่วัน ระยะเวลาทั้งหมดก็จะหดสั้นลง การที่การหดสั้นลงนี้จะกลายเป็นมาตรฐานใหม่หรือไม่นั้น ขึ้นอยู่กับว่าระบบนิเวศ—ทั้งบริษัท นักลงทุน หน่วยงานกำกับดูแล และผู้ป่วย—จะปรับตัวเข้าสู่โลกที่ "physical AI" เป็นผู้เขียนร่างแรกของยารักษาโรคแห่งอนาคตได้รวดเร็วเพียงใด