شاهراه AI در داروسازی: ۳۵۰ میلیارد دلار ارزش

دوقلوهای دیجیتال و TrialGPT

بررسی نقش هوش مصنوعی در کاهش زمان کارآزمایی بالینی، کاهش ۲۱% مشارکت‌کنندگان و خلق ۴۱۰ میلیارد دلار درآمد در بیوفارما

هوش مصنوعی (AI) دیگر صرفاً یک مفهوم آینده‌نگر نیست؛ بلکه نیروی محرک اصلی تحول در یکی از حیاتی‌ترین صنایع جهان، یعنی داروسازی و بیوتکنولوژی، محسوب می‌شود. این صنعت در آستانه دگرگونی بزرگی قرار دارد که توسط قدرت محاسباتی و تحلیلی هوش مصنوعی هدایت می‌شود. هوش مصنوعی با بهینه‌سازی فرآیندهای طولانی و پرهزینه از کشف دارو تا تسریع مراحل توسعه و تأیید بالینی، در حال گشودن قفل میلیاردها دلار ارزش اقتصادی است. پیش‌بینی می‌شود تا سال ۲۰۲۵، نوآوری‌های هوش مصنوعی در حوزه‌هایی مانند توسعه دارو، کارآزمایی‌های بالینی، پزشکی دقیق و عملیات تجاری، سالانه بین ۳۵۰ تا ۴۱۰ میلیارد دلار برای بخش دارویی درآمدزایی کند. این ارقام عظیم، نشان‌دهنده آن است که پذیرش فناوری هوش مصنوعی دیگر یک گزینه نیست، بلکه کلید نوآوری و پیشرفت در این بخش محسوب می‌شود.

مقاله پیش رو به بررسی دقیق روندهای پویای هوش مصنوعی می‌پردازد که در سال‌های ۲۰۲۴ و ۲۰۲۵ و پس از آن، بخش‌های دارویی و بیوتک را متحول می‌سازد. ما به دنبال بررسی پیشرفت‌های فناورانه، رشد بازار و فرصت‌های نوظهوری هستیم که آینده مراقبت‌های بهداشتی و توسعه دارو را بازتعریف خواهند کرد.

سایبرکست قسمت 73 : شاهراه AI در داروسازی: ۳۵۰ میلیارد دلار ارزش

هوش مصنوعی با کاهش زمان و هزینه (تا ۴۰%)، ۳۰ درصد از داروهای جدید تا ۲۰۲۵ را کشف خواهد کرد

چالش‌های اخلاقی شامل مدل‌های “جعبه سیاه” و سوگیری الگوریتمی، نیاز به چارچوب‌های نظارتی شفاف در AI بیوفارما را ضروری می‌سازد

وضعیت کنونی پذیرش هوش مصنوعی در بیوفارما

سؤالی که مطرح می‌شود این است: آیا هوش مصنوعی واقعاً می‌تواند روش توسعه و ارائه داروها را تغییر دهد؟ آمارها به روشنی پاسخ مثبت می‌دهند. انتظار می‌رود تا سال ۲۰۲۵، هزینه‌های مرتبط با هوش مصنوعی در صنعت داروسازی به ۳ میلیارد دلار برسد که این امر نشان‌دهنده افزایش شدید پذیرش آن برای کاهش زمان و هزینه‌های گزاف مرتبط با توسعه دارو است. تأثیر هوش مصنوعی به قدری جدی است که ائتلاف‌ها و همکاری‌های متمرکز بر کشف دارو با محوریت هوش مصنوعی به شدت افزایش یافته است؛ از تنها ۱۰ مورد همکاری در سال ۲۰۱۵، این تعداد تا سال ۲۰۲۱ به ۱۰۵ مورد رسیده است. شرکت‌های بیوتک که اساس کار آن‌ها «مبتنی بر هوش مصنوعی» (AI-first) است، پیشتاز این عرصه هستند. یک نظرسنجی در سال ۲۰۲۳ نشان داد که ۷۵ درصد از این شرکت‌های پیشرو، هوش مصنوعی را به طور گسترده در فرآیند کشف دارو ادغام کرده‌اند. با این حال، شرکت‌های سنتی داروسازی و بیوتک در این مسیر کندتر هستند و سطح پذیرش آن‌ها پنج برابر کمتر از پیشگامان است. این کندی نه فقط به دلیل مسائل تکنولوژیک، بلکه به دلیل نیاز به بازاندیشی کامل در مدل‌های کسب‌وکار و عملیات است. با این وجود، هدف تمامی رهبران مالی داروسازی، اولویت دادن به هوش مصنوعی و تحلیل‌های پیشرفته برای خودکارسازی فرآیندها و افزایش کارایی است.

تأثیر هوش مصنوعی بر کشف و طراحی دارو

مسیر سنتی توسعه یک داروی جدید مسیری طولانی، پرهزینه و غالباً نامطمئن است؛ به طوری که به طور متوسط ۱۴.۶ سال زمان و حدود ۲.۶ میلیارد دلار هزینه نیاز دارد تا یک داروی جدید به بازار عرضه شود. هوش مصنوعی با تسهیل مراحل کلیدی این فرآیند، در حال متحول ساختن کشف و طراحی دارو است تا کل فرآیند کارآمدتر، مقرون‌به‌صرفه‌تر و موفق‌تر شود. در قلب این تحول، شناسایی هدف دارویی (Target Identification) قرار دارد. به طور سنتی، یافتن اهداف دارویی جدید شامل آزمون و خطای خسته‌کننده بود، اما هوش مصنوعی می‌تواند حجم وسیعی از داده‌های بیولوژیکی را غربال کند تا اهداف بالقوه‌ای را که ممکن است از چشم محققان پنهان بمانند، کشف کند. این رویکرد به محققان اجازه می‌دهد تا سریع‌تر روی امیدوارکننده‌ترین فرصت‌ها متمرکز شوند.

نقش هوش مصنوعی به اینجا ختم نمی‌شود؛ پس از شناسایی اهداف، می‌تواند تعاملات دارو-هدف را ارزیابی کند و مکانیسم‌های بیماری را با دقتی که قبلاً غیرممکن بود، تحلیل نماید. با درک نحوه پیشرفت بیماری‌ها در سطح مولکولی، هوش مصنوعی به طراحی داروهای مؤثرتر کمک می‌کند و تضمین می‌کند که ترکیبات طراحی‌شده بسیار اختصاصی هستند. این کار به تنظیمات سریع‌تر ساختارهای شیمیایی کمک کرده و شانس موفقیت را افزایش می‌دهد. پیش‌بینی می‌شود که تا سال ۲۰۲۵، ۳۰ درصد از داروهای جدید با استفاده از هوش مصنوعی کشف خواهند شد که نشان‌دهنده یک تغییر قابل توجه در فرآیند کشف دارو است. جریان‌های کاری فعال‌شده توسط هوش مصنوعی، می‌توانند زمان و هزینه رسیدن یک مولکول جدید به مرحله کاندیدای پیش‌بالینی را کاهش دهند و برای اهداف پیچیده، این کارایی‌ها می‌توانند تا ۴۰ درصد در زمان و ۳۰ درصد در هزینه‌ها صرفه‌جویی ایجاد کنند.

نقش هوش مصنوعی در بهینه‌سازی کارآزمایی‌های بالینی

هوش مصنوعی کارآزمایی‌های بالینی در بیوفارما را متحول کرده و ناکارآمدی‌های سنتی را به فرصت‌هایی برای نوآوری تبدیل می‌کند. جذب بیمار همواره یکی از چالش‌های اصلی بوده است. به طور سنتی، این فرآیند شامل جستجوهای دستی در پایگاه‌های داده بیمار بود که زمان‌بر و مستعد خطا بود. با هوش مصنوعی، مدل‌های یادگیری ماشین حجم عظیمی از سوابق سلامت الکترونیکی (EHRs) را تجزیه و تحلیل می‌کنند تا شرکت‌کنندگان واجد شرایط را به سرعت و با دقت بالا شناسایی کنند. به عنوان مثال، ابزارهایی مانند TrialGPT این فرآیند را خودکار می‌کنند و بیماران را بر اساس سوابق پزشکی و معیارهای کارآزمایی با مطالعات مناسب مطابقت می‌دهند. این امر نه تنها سرعت جذب را بالا می‌برد، بلکه به تنوع بیشتر در کارآزمایی‌ها کمک کرده و حتی می‌تواند ترک تحصیل بیماران را پیش‌بینی کند و از اختلال در روند آزمایش جلوگیری نماید.

علاوه بر این، هوش مصنوعی طراحی کارآزمایی‌های بالینی را که قبلاً بر حدس و پارامترهای سخت‌گیرانه متکی بود، تغییر می‌دهد. با استفاده از داده‌های دنیای واقعی (RWD)، الگوریتم‌های هوش مصنوعی می‌توانند زیرگروه‌هایی از بیماران را شناسایی کنند که احتمال پاسخ مثبت به درمان‌ها در آن‌ها بیشتر است. این به معنای امکان تنظیم آزمایش‌ها در زمان واقعی است تا نتایج بهینه‌سازی شوند. هوش مصنوعی همچنین با پالایش معیارهای ورود برای حذف افرادی که احتمالاً پاسخگو نیستند، به کوتاه‌تر شدن مدت کارآزمایی تا ۱۰ درصد کمک می‌کند. در حوزه تجزیه و تحلیل داده‌ها، هوش مصنوعی امکان تجزیه و تحلیل داده‌ها در زمان واقعی را فراهم می‌کند. این فناوری با پردازش مستمر داده‌ها، روندهای نوظهور را شناسایی، نتایج را پیش‌بینی و حتی پروتکل‌های کارآزمایی را در حین اجرا تنظیم می‌کند. با درگیر شدن هوش مصنوعی، شرکت‌های دارویی می‌توانند تنها در بخش توسعه بالینی، انتظار ۲۵ میلیارد دلار صرفه‌جویی داشته باشند.

روندهای آتی و نوآوری‌های هوش مصنوعی در افق ۲۰۲۵ و فراتر

بازار هوش مصنوعی در بیوفارما رشد سریعی را تجربه می‌کند. ارزش این بازار در سال ۲۰۲۳ حدود ۱.۸ میلیارد دلار برآورد شد و پیش‌بینی می‌شود که تا سال ۲۰۳۴ این رقم با نرخ رشد مرکب سالانه (CAGR) ۱۸.۸ درصدی به ۱۳.۱ میلیارد دلار برسد. این رشد نشان‌دهنده اتکای فزاینده به هوش مصنوعی برای پیشبرد نوآوری و کارایی در این بخش است.

یکی از قدرتمندترین جریانات، ظهور پلتفرم‌های کشف دارو مبتنی بر هوش مصنوعی است. این پلتفرم‌ها روند طراحی و توسعه درمان‌های جدید را تسریع می‌کنند. شرکت‌هایی مانند Exscientia قدرت هوش مصنوعی در طراحی دارو را به نمایش گذاشته‌اند؛ پلتفرم آن‌ها به نام Centaur Chemist می‌تواند مولکول‌ها را سریع‌تر از روش‌های سنتی ایجاد کند. این پلتفرم‌ها می‌توانند هزینه‌های کشف دارو را تا ۴۰ درصد کاهش دهند و جدول زمانی توسعه را از پنج سال به تنها ۱۲ تا ۱۸ ماه برسانند.

پیشرفت‌های هوش مصنوعی مولد در طراحی مولکولی

هوش مصنوعی مولد (Generative AI) گام‌های بزرگی در طراحی مولکولی برداشته است، به ویژه با مدل‌هایی مانند AlphaFold و Genie. AlphaFold ساختارهای پروتئینی را با دقت قابل توجهی پیش‌بینی می‌کند؛ این پیشرفت، سرعت توسعه دارو و زیست‌شناسی را تسریع کرده و به محققان در مقابله با چالش‌هایی مانند مالاریا، سرطان و حتی ایجاد آنزیم‌های تجزیه‌کننده پلاستیک کمک کرده است. اما مدل‌های جدیدتر مانند Genie یک گام فراتر می‌روند؛ به جای تنها پیش‌بینی ساختار، Genie اکنون می‌تواند پروتئین‌های کاملاً جدیدی را طراحی کند که در طبیعت وجود ندارند. این قابلیت، امکانات هیجان‌انگیزی را برای کشف سریع‌تر دارو و درمان‌های متناسب با نیازهای خاص فراهم می‌آورد.

اتوماسیون هوشمند و دوقلوهای دیجیتال

آینده تولید دارو به سرعت با اتوماسیون هوشمند (Intelligent Automation) گره خورده است. بر اساس نظرسنجی PwC، ۷۹ درصد از مدیران اجرایی داروسازی بر این باورند که اتوماسیون هوشمند در پنج سال آینده تأثیر قابل توجهی بر صنعت آن‌ها خواهد داشت. این فناوری نه تنها فرآیندهای تولید را بهینه‌سازی کرده و خطاها را کاهش می‌دهد، بلکه در نگهداری پیش‌بینی‌کننده (Predictive Maintenance) نیز نقش دارد. سیستم‌های هوش مصنوعی با تحلیل داده‌های حسگرها، مشکلات تجهیزات را قبل از وقوع تشخیص می‌دهند و از توقف‌های پرهزینه تولید جلوگیری می‌کنند.

مفهوم دوقلوهای دیجیتال (Digital Twins) یا مدل‌های مجازی فرآیندهای تولید، در حال تبدیل شدن به یک بخش کلیدی است. این دوقلوها با شبیه‌سازی کل فرآیند تولید در زمان واقعی، به شرکت‌ها اجازه می‌دهند تا سناریوها را آزمایش کرده و ناکارآمدی‌های بالقوه را پیش از وقوع شناسایی کنند. به عنوان مثال، شرکت Unlearn از دوقلوهای دیجیتال در یک مطالعه بیماری آلزایمر استفاده کرد و توانست تعداد شرکت‌کنندگان مورد نیاز در گروه‌های کنترل را ۳۵ درصد و تعداد کل شرکت‌کنندگان مطالعه را ۲۱ درصد کاهش دهد. این سطح از کارایی می‌تواند سال‌ها از جدول زمانی توسعه دارو بکاهد و رسیدن درمان‌های نجات‌بخش به بازار را تسریع کند.

بازیگران اصلی در صحنه تحول

شرکت‌های پیشرو در صنعت داروسازی به سرعت پتانسیل هوش مصنوعی را درک کرده و آن را به کار گرفته‌اند. بازار جهانی هوش مصنوعی در صنعت دارویی که در سال ۲۰۲۵ حدود ۱.۹۴ میلیارد دلار تخمین زده می‌شود، پیش‌بینی می‌شود تا سال ۲۰۳۴ به حدود ۱۶.۴۹ میلیارد دلار برسد.

• فایزر (Pfizer): این شرکت از طریق همکاری با Tempus، CytoReason و Gero، هوش مصنوعی را در کشف دارو، کارآزمایی‌های بالینی و تجزیه و تحلیل جمعیت بیمار ادغام کرده است. یک دستاورد برجسته آن‌ها، تسریع در توسعه درمان‌های COVID-19 از جمله پاکسلووید، با کمک هوش مصنوعی بود.
• آسترازنکا (AstraZeneca): این شرکت با BenevolentAI و Qure.ai همکاری دارد و از هوش مصنوعی در توسعه درمان‌های بیماری مزمن کلیه و فیبروز ریوی استفاده می‌کند. همچنین هوش مصنوعی نقشی حیاتی در بهینه‌سازی طراحی کارآزمایی‌های بالینی دارد.
• جانسِن (Janssen – Johnson & Johnson): جانسن با بیش از ۱۰۰ پروژه هوش مصنوعی در کارآزمایی‌های بالینی، جذب بیمار و کشف دارو پیشتاز است. پلتفرم Trials360.ai آن‌ها نمونه‌ای از چگونگی ساده‌سازی فرآیندهای کارآزمایی توسط هوش مصنوعی است.
• اینسیلیکو مدیسین (Insilico Medicine): این شرکت به دلیل استفاده پیشرفته از هوش مصنوعی، مدل‌های یادگیری عمیق را با طراحی و سنتز دارو ترکیب کرده و پیشرفت‌های قابل توجهی در تسریع کشف دارو داشته است.

ملاحظات اخلاقی و نظارتی هوش مصنوعی

همانطور که هوش مصنوعی در بیوتکنولوژی جای خود را باز می‌کند، چالش‌های پیچیده‌ای را برای چارچوب‌های نظارتی و اخلاقی به همراه دارد. سازمان‌های نظارتی مانند FDA و EMA در حال اتخاذ تدابیری برای تضمین ایمنی و اثربخشی هستند. با این حال، بسیاری از مدل‌های هوش مصنوعی به عنوان «جعبه سیاه» (black boxes) عمل می‌کنند، که درک کامل یا توضیح نحوه تصمیم‌گیری آن‌ها را برای تنظیم‌کننده‌ها دشوار می‌سازد. این امر نگرانی‌هایی را در مورد شفافیت و پاسخگویی در تأیید داروها ایجاد می‌کند.

سازمان بهداشت جهانی (WHO) پتانسیل هوش مصنوعی برای تسریع پیشرفت دارویی را برجسته کرده است، اما سوگیری (Bias) در الگوریتم‌ها یک خطر جدی است. اگر مدل‌های هوش مصنوعی نماینده همه جمعیت‌ها نباشند، می‌تواند منجر به نتایج نابرابر در مراقبت‌های بهداشتی شود و درمان‌هایی را به همراه آورد که برای برخی کارساز باشد اما برای دیگران نه. در نهایت، برای بهره‌مندی عادلانه همه بیماران، هوش مصنوعی باید به طور مسئولانه استفاده شود و شفافیت و عدالت در تصمیم‌گیری‌های آن رعایت گردد.

هوش مصنوعی در صنعت داروسازی مانند یک میکروسکوپ با قدرت فوق‌العاده عمل می‌کند؛ در حالی که روش‌های سنتی تنها می‌توانستند بخش کوچکی از فرآیند را مشاهده کنند، هوش مصنوعی با بزرگ‌نمایی بی‌سابقه، به محققان این امکان را می‌دهد که عمیق‌ترین اسرار مولکولی را ببینند، هزاران مسیر بالقوه را همزمان ارزیابی کنند و مسیر رسیدن به داروهای جدید را از یک جاده سنگلاخی و طولانی به یک شاهراه مستقیم و پرسرعت تبدیل کند.

• جمع‌بندی : 

هوش مصنوعی در صنعت داروسازی مانند یک میکروسکوپ با قدرت فوق‌العاده عمل می‌کند؛ در حالی که روش‌های سنتی تنها می‌توانستند بخش کوچکی از فرآیند را مشاهده کنند، هوش مصنوعی با بزرگ‌نمایی بی‌سابقه، به محققان این امکان را می‌دهد که عمیق‌ترین اسرار مولکولی را ببینند، هزاران مسیر بالقوه را همزمان ارزیابی کنند و مسیر رسیدن به داروهای جدید را از یک جاده سنگلاخی و طولانی به یک شاهراه مستقیم و پرسرعت تبدیل کند.

———————————————————————————

• نکات کلیدی:

• رزش اقتصادی: ۳۵۰ تا ۴۱۰ میلیارد دلار درآمدزایی سالانه تا ۲۰۲۵.

• کشف دارو: کاهش زمان و هزینه تا ۴۰٪ و افزایش همکاری‌های AI-محور (از ۱۰ به ۱۰۵ مورد).
• نقش در طراحی: استفاده از AI مولد مانند Genie (طراحی پروتئین‌های جدید) و AlphaFold (پیش‌بینی ساختار).
• کارآزمایی بالینی: جذب بیمار هوشمند (TrialGPT)، دوقلوهای دیجیتال (Unlearn)، و کاهش مدت آزمایش تا ۱۰٪.
• اتوماسیون: استفاده از اتوماسیون هوشمند و نگهداری پیش‌بینی‌کننده در تولید.

• چالش‌های اخلاقی: مدل‌های “جعبه سیاه” و خطر سوگیری (Bias) در الگوریتم‌ها.

• نکات تکمیلی:

• شرکت‌های AI-first تا ۵ برابر سریع‌تر از شرکت‌های سنتی AI را پذیرفته‌اند.

• صرفه‌جویی کلان ۲۵ میلیارد دلاری در توسعه بالینی.

• رشد بازار جهانی AI در داروسازی تا ۲۰۳۴ به ۱۳.۱ میلیارد دلار می‌رسد.

• نتیجه گیری

هوش مصنوعی نقش یک میکروسکوپ فوق‌العاده قدرتمند را در داروسازی ایفا می‌کند که فرآیندهای سنتی را از یک “جاده سنگلاخی و طولانی” به یک “شاهراه مستقیم و پرسرعت” تبدیل کرده است. این تکنولوژی نه تنها با تسریع کشف دارو توسط مدل‌هایی چون Genie و AlphaFold، سال‌ها از جدول زمانی توسعه می‌کاهد، بلکه با ابزارهایی مانند TrialGPT و دوقلوهای دیجیتال، کارآزمایی‌های بالینی را دقیق‌تر و کارآمدتر می‌سازد. با وجود پتانسیل اقتصادی عظیم و غیرقابل اجتناب، چالش‌های اخلاقی و نظارتی (به‌ویژه شفافیت “جعبه سیاه” و عدالت الگوریتمی) باید به طور مسئولانه مدیریت شوند تا اطمینان حاصل شود که این انقلاب به طور عادلانه به نفع همه بیماران است.

• پرسش‌های تحقیقاتی بیشتر:

• چگونه می‌توان شفافیت (Explainability) مدل‌های AI (جعبه سیاه) را افزایش داد تا سازمان‌های نظارتی مانند FDA بتوانند به راحتی اثربخشی و ایمنی داروهای کشف شده توسط AI را تأیید کنند؟

• استراتژی شرکت‌های داروسازی سنتی برای کاهش شکاف پذیرش AI در مقایسه با شرکت‌های AI-first چیست و این شکاف تا چه زمانی ادامه خواهد یافت؟
• تأثیر نهایی جایگزینی نیروی انسانی توسط اتوماسیون هوشمند در بخش تولید و عملیات تجاری داروسازی بر بازار کار چگونه خواهد بود؟

• ابزارهای هوش مصنوعی چگونه می‌توانند سوگیری داده‌ها را در کارآزمایی‌های بالینی حذف کرده و اطمینان حاصل کنند که داروهای جدید برای همه جمعیت‌ها مؤثر هستند؟

• سخن پایانی نویسنده :

هوش مصنوعی در صنعت داروسازی، یک معجزه عددی است. این که بتوانیم یک فرآیند ۱۴ ساله و ۲.۶ میلیارد دلاری را به ۱۲ تا ۱۸ ماه کاهش دهیم، یک جهش کوانتومی است. همانطور که در مثال میکروسکوپ فوق‌العاده گفته شد، AI به ما اجازه می‌دهد تا نه‌تنها هدف، بلکه مسیر رسیدن به آن را نیز بهینه کنیم. این صرفه‌جویی‌های عظیم (۴۱۰ میلیارد دلار) صرفاً پول نیست، بلکه سال‌های از دست رفته زندگی بیمارانی است که زودتر به درمان‌های نجات‌بخش دست پیدا می‌کنند. چالش اصلی ما، اطمینان از عدالت الگوریتمی است؛ نباید بگذاریم هوش مصنوعی درمانی را خلق کند که فقط برای بخشی از جامعه کارساز باشد.

منبع : به گزارش  coherentsolutions 

 

در مجله سایبرلایف بخوانید