هوش مصنوعی در پزشکی گزارشی از پیشرفت‌ها و یک زنگ خطر

 بحران مقاومت مدل‌های هوش مصنوعی

تحقیقی جدید نشان می‌دهد بسیاری از مدل‌های بنیادین پاتولوژی به جای سیگنال‌های بیولوژیکی، به متغیرهای فنی و تجهیزات آزمایشگاهی حساس هستند

این هفته دنیای زیست‌فناوری شاهد دو روی کاملاً متفاوت از سکه هوش مصنوعی (AI) بود: از یک سو، پیشرفت‌های انقلابی در خلق ابزارهای جدید و از سوی دیگر، یک زنگ خطر جدی در مورد اعتبار مدل‌های تشخیصی موجود.

مهم‌ترین یافته هفته، گزارشی تکان‌دهنده است که نشان می‌دهد بسیاری از مدل‌های بنیادین پاتولوژی دیجیتال، که برای تشخیص بیماری‌ها از روی تصاویر بافت‌شناسی طراحی شده‌اند، دارای یک نقص اساسی هستند: آنها به جای یادگیری سیگنال‌های بیولوژیکی واقعی بیماری، در حال یادگیری و تشخیص متغیرهای فنی مانند برند اسکنر یا روش آماده‌سازی نمونه در آزمایشگاه هستند. یک معیار جدید به نام PathoROB این “شکاف مقاومت” را در ۲۰ مدل محبوب به اثبات رسانده و نشان می‌دهد که این مدل‌ها می‌توانند به سادگی با داده‌های نامربوط فنی فریب بخورند، که پیامدهای جدی برای دقت تشخیص در دنیای واقعی دارد.

این چالش در تضاد کامل با موفقیت‌های چشمگیر هوش مصنوعی در حوزه ویرایش ژن قرار دارد. شرکت Profluent از OpenCRISPR-1 رونمایی کرد که اولین جایگزین Cas9 است که کاملاً توسط هوش مصنوعی طراحی شده و عوارض جانبی کمتری دارد. همزمان، تیمی از استنفورد CRISPR-GPT را معرفی کرد؛ یک سیستم هوش مصنوعی چندعاملی که طراحی ویرایش‌های ژنی پیچیده را حتی برای افراد مبتدی ممکن می‌سازد و کارایی بالای ۸۰ درصد را نشان داده است.

در کنار این دو خبر اصلی، این هفته شاهد پیشرفت در حوزه تحویل ژن (بررسی ناقل‌های ویروسی و غیرویروسی)، جذب سرمایه‌های کلان در شرکت‌های بیوتکنولوژی، و ادامه توسعه رابط‌های مغز و رایانه توسط شرکت‌هایی چون Neuralink و Synchron بودیم. در مجموع، این هفته نشان داد که هرچند هوش مصنوعی در حال خلق ابزارهای بی‌سابقه‌ای برای آینده پزشکی است، اما اعتبارسنجی دقیق و تضمین مقاومت (robustness) این ابزارها یک چالش حیاتی است که باید در مرکز توجه قرار گیرد.

سایبرکست قسمت 23 : بحران مقاومت مدل‌های هوش مصنوعی ویرایش ژن

نگاهی عمیق به مقاومت مدل‌های بنیادین پاتولوژی

همزمان با پیشرفت‌های شگفت‌انگیز در ویرایش ژن با هوش مصنوعی، یک چالش اساسی در مقاومت و پایداری مدل‌های تشخیصی آشکار شده است

مقدمه: تقاطع هوش مصنوعی و زیست‌فناوری، انقلاب در کشف و توسعه

هوش مصنوعی (AI) همچنان به عنوان یک نیروی محرکه قدرتمند در زمینه‌های کشف دارو، بیوتکنولوژی و مراقبت‌های بهداشتی عمل می‌کند. این هفته شاهد چند خبر بسیار مهم بودیم:

۱. پیشرفت‌های چشمگیر در ویرایش ژن با هوش مصنوعی

• OpenCRISPR-1 توسط Profluent: شرکت Profluent با انتشار OpenCRISPR-1 در مجله Nature، اولین جایگزین Cas9 تولید شده توسط هوش مصنوعی را معرفی کرد. این ویرایشگر ژن جدید، که با طراحی هوش مصنوعی ساخته شده، عوارض جانبی غیرهدفمند و ایمنی‌زایی کمتری دارد. Profluent همچنین بزرگترین مجموعه داده CRISPR تا به امروز، یعنی CRISPR–Cas Atlas را منتشر کرده که گامی بزرگ در طراحی پروتئین با استفاده از مدل‌های زبان بزرگ (LLM) محسوب می‌شود.
• CRISPR-GPT از استنفورد: تیمی به رهبری استنفورد در مطالعه‌ای که در Nature Biomedical Engineering منتشر شد، سیستم CRISPR-GPT را معرفی کرد. این سیستم LLM چند عاملی که بر اساس ادبیات CRISPR آموزش دیده و با ابزارهای زیستی یکپارچه شده، کارایی ویرایش بیش از ۸۰ درصد را در ویرایش‌های چند ژنی و اپی‌ژنتیک در دنیای واقعی نشان داده است، حتی برای کاربران مبتدی.

۲. مدل‌سازی عامل‌محور برای زیست‌شناسی

محققان دانشگاه جانز هاپکینز و دانشگاه مریلند در مجله Cell، یک “گرامر رفتار سلولی” را منتشر کردند. این گرامر، فرضیه‌های بیولوژیکی را به مدل‌های عامل‌محور قابل اجرا تبدیل می‌کند و به زیست‌شناسان امکان می‌دهد دینامیک چندسلولی را مستقیماً از داده‌های ترانسکریپتومیک و بدون نیاز به کدنویسی شبیه‌سازی کنند. این یک گام بزرگ به سوی ساده‌سازی تحقیقات پیچیده بیولوژیکی است.

۳. پلتفرم‌های هوش مصنوعی برای کشف دارو و پیش‌بینی بیماری

• پیش‌بینی نفوذ به سد خونی-مغزی با predictBBB.ai: شرکت Lantern Pharma پلتفرم predictBBB.ai را معرفی کرد، یک پلتفرم هوش مصنوعی با دسترسی آزاد که ۹۴% دقت در پیش‌بینی نفوذ به سد خونی-مغزی (BBB) دارد. این شرکت همچنین اولین مرحله ثبت‌نام بیماران در ژاپن را برای آزمایش بالینی فاز ۲ خود در زمینه سرطان ریه سلول غیرکوچک (NSCLC) در افراد غیرسیگاری تکمیل کرده است.
• تسریع تحقیق و توسعه بیماری‌های عفونی با Recursion: شرکت Recursion در ACS Infectious Diseases توضیح داد که چگونه پلتفرم هوش مصنوعی آن، کشف درمانی را سرعت می‌بخشد، کمبود داده‌ها در بیماری‌های نادیده گرفته شده را جبران می‌کند و آزمایش‌های بالینی را از طریق فنومیک، طراحی مولد و یکپارچه‌سازی داده‌های واقعی بیماران ساده می‌کند.
• داروی فیبروز طراحی شده توسط هوش مصنوعی از Nosis Bio: شرکت Nosis Bio کاندیدای توسعه‌ای برای فیبروز را معرفی کرده که یک خاموش‌کننده ژن هدفمند سلولی است و در مطالعات پیش‌بالینی کارایی و ایمنی برتری نشان داده است.
• پیش‌بینی زودهنگام بیماری‌ها با شبکه‌های عصبی: محققان دانشگاه وست‌مینستر با استفاده از یادگیری عمیق بر روی داده‌های UK Biobank، شروع زودهنگام ۳۸ بیماری مرتبط با سن را پیش‌بینی کردند. این کار به شناسایی افراد پرخطر و خوشه‌های بیماری برای مداخلات شخصی‌سازی شده زودهنگنگام کمک می‌کند.

۴. ابزارهای هوش مصنوعی برای طراحی پروتئین

ProDomino، یک ابزار هوش مصنوعی که بر روی ۱۷۰ هزار درج طبیعی آموزش دیده، سایت‌های سازگار با فیوژن پروتئین را پیش‌بینی می‌کند تا طراحی ابزارهای پروتئینی پاسخگو مانند ویرایشگرهای ژن کنترل شده با نور و دارو را تسریع بخشد.

۵. مقایسه مدل‌های ساده با یادگیری عمیق

یک مطالعه در Nature Methods نشان داد که مدل‌های خطی پایه اغلب در پیش‌بینی پاسخ‌های ترانسکریپتومیک، با مدل‌های بنیادین و یادگیری عمیق رقابت می‌کنند یا حتی از آن‌ها بهتر عمل می‌کنند. این یافته‌ها محدودیت‌هایی در تعمیم‌پذیری را برجسته می‌کند و نیاز به انتخاب مدل‌های خاص برای هر وظیفه را نشان می‌دهد.

نادیده‌گرفته‌شدن سیگنال‌های بیولوژیکی توسط مدل‌های بنیادین پاتولوژی: یک زنگ خطر!

یکی از مهمترین یافته‌های این هفته، گزارشی جدید از BIFOLD، LMU مونیخ و موسسه سرطان هلند است که نشان می‌دهد اکثر مدل‌های بنیادین پاتولوژی دیجیتال (FMs) به جای سیگنال‌های بیولوژیکی، در تشخیص جزئیات مربوط به اسکنرها و آرایش آزمایشگاهی، عملکرد بهتری دارند.

الف. مشکل کجاست؟

تیم تحقیقاتی، شامل Hense، Kömen، de Jong و همکارانشان، یک ارزیابی جامع را بر روی ۲۰ مدل بنیادین پاتولوژی محبوب انجام دادند و شکاف‌های مقاومت (robustness gaps) پایداری را مشاهده کردند. مشکل این نبود که مدل‌ها در دقت شکست می‌خوردند، بلکه در آنچه که یاد می‌گرفتند ایراد داشت: عوامل فنی مانند سبک آماده‌سازی آزمایشگاهی، سخت‌افزار اسکنر یا تغییرات رنگ‌آمیزی. هیچ‌کدام از این عوامل نباید بر تشخیص تأثیر بگذارند، اما در عمل اغلب چنین است.

ب. معرفی PathoROB

برای حل این مشکل، آن‌ها PathoROB را معرفی کردند، یک معیار مقاومت که از ۴ مجموعه داده شامل ۲۸ کلاس بیولوژیکی از ۳۴ موسسه ساخته شده است. این معیار شامل معیارهای جدیدی مانند شاخص مقاومت است که امکان مقایسه عملکرد مدل را در هنگام معرفی تغییرات فنی نامربوط فراهم می‌کند. نتایج نشان داد که هر مدل بنیادین نقاط ضعفی از خود نشان می‌دهد. نکته جالب این است که شاخص مقاومت در برابر تعداد تصاویر اسلاید کامل (WSI) استفاده شده در طول پیش‌آموزش، همبستگی مثبتی را نشان می‌دهد. این بدان معناست که مدل‌هایی که بر روی مجموعه‌های داده بزرگ‌تر آموزش دیده‌اند، معمولاً در برابر تغییرات غیربیولوژیکی در تصاویر پاتولوژی مقاوم‌تر هستند.

ج. پیامدها و راه‌حل‌ها

به گفته نویسندگان، پیامدهای این موضوع ظریف نیستند؛ طبقه‌بندی‌های خوشه‌ای به جای زیست‌شناسی، منعکس‌کننده حوزه‌های فنی هستند و خطوط لوله تشخیصی به روش‌هایی تخریب می‌شوند که بلافاصله آشکار نیستند. از آنجایی که بسیاری از FMs به عنوان اجزای “drop-in” در پایین‌دست استفاده می‌شوند، هرگونه نویز در نمایش‌های آن‌ها منتشر می‌شود. مقاله همچنین یک راه حل اولیه را پیشنهاد می‌کند: روش‌های مقاوم‌سازی پس از وقوع (post-hoc robustification) که این مشکلات را کاهش می‌دهند، اما به طور کامل از بین نمی‌برند، حتی بدون نیاز به آموزش مجدد FM. با این حال، نویسندگان استدلال می‌کنند که مقاومت باید در آینده به عنوان یک محدودیت طراحی درجه یک در نظر گرفته شود.

چشم‌انداز تحویل ژن: کدام روش‌ها موثرند و کدام‌ها عقب مانده‌اند؟

در یک بررسی جامع توسط Eryney Marrogi در Asimov Press، به بردار‌های اصلی تحویل ژن که امروزه مورد استفاده قرار می‌گیرند – ویروسی و غیرویروسی – و نقاط قوت و ضعف آن‌ها در عمل پرداخته شده است.

این مقاله پنج کلاس اصلی را پوشش می‌دهد: AAV، آدنوویروس، LNPs، HSV و لنتی‌ویروس

۱. AAV (ویروس‌های آدنو-همراه)

• وضعیت: در حال حاضر، AAV “اسب بارکش” این حوزه است، با چندین درمان تایید شده توسط FDA مانند Zolgensma، Luxturna و Hemgenix.
• مزایا: کوچک، نسبتاً قابل تحمل و قادر به ماندگاری در سلول‌های غیرتقسیم‌کننده است.
• معایب: محدودیت بسته‌بندی تقریباً ۴.۷ کیلوبایتی، به ویژه برای ابزارهایی مانند Cas9، مشکل‌ساز است. پاسخ‌های ایمنی و آنتی‌بادی‌های از قبل موجود، همچنان گلوگاه‌های جدی هستند.
• تلاش‌های مهندسی: تلاش‌هایی، به ویژه طراحی کپسید با کمک هوش مصنوعی از Dyno و Capsida، در حال انجام است تا دامنه AAV را گسترش دهد.

۲. آدنوویروس

• مزایا: ظرفیت بار بزرگتر (تقریباً ۳۶ کیلوبایت)، آن را برای ساختارهای بزرگ جذاب می‌کند.
• معایب: سابقه پرفراز و نشیبی دارد، از جمله مرگ Gelsinger در سال ۱۹۹۹. ایمنی‌زایی بالا است و بیان ژن معمولاً گذرا است.
• کاربردها: در برخی از درمان‌های سرطان و پلتفرم‌های واکسن (COVID-19، ابولا) مورد استفاده قرار گرفته است.
• راهکارها: کپسیدهای غیرانسانی و کیمریک ممکن است به دور زدن مشکلات ایمنی کمک کنند.

۳. LNPs (نانوذرات لیپیدی)

• مزایا: در تحویل RNA عالی عمل می‌کنند، تولید آن‌ها ارزان است و در موفقیت واکسن‌های mRNA COVID-19 نقش محوری داشتند.
• هدف‌گیری: به طور پیش‌فرض، به صورت وریدی در کبد جمع می‌شوند، اما طرح‌های جدیدتر (متصل به آنتی‌بادی، تنظیم شده با لیپید یا شیمیایی اصلاح شده) در حال گسترش دامنه دسترسی آن‌ها هستند.
• ویژگی منحصربه‌فرد: از دوز مجدد پشتیبانی می‌کنند، که بردار‌های ویروسی با آن مشکل دارند.

۴. HSV (ویروس هرپس سیمپلکس)

• مزایا: اغلب نادیده گرفته می‌شود اما مزایای منحصر به فردی دارد؛ نوروتروپیسم (تمایل به بافت عصبی)، ظرفیت بسته‌بندی بزرگ (تقریباً ۱۵۲ کیلوبایت) و توانایی ایجاد حالت نهفتگی در نورون‌ها، آن را به کاندیدایی برای درمان‌های هدفمند CNS (سیستم عصبی مرکزی) تبدیل کرده است. T-VEC (بر پایه HSV-1) قبلاً برای ملانوما توسط FDA تایید شده است. بردار‌های HSV می‌توانند به صورت رتروگراد در امتداد نورون‌ها حرکت کنند و مسیرهای غیرتهاجمی را به مغز باز کنند.
• معایب: ایمنی از قبل موجود و سمیت سلولی نگرانی‌های مهمی هستند.

۵. لنتی‌ویروس

• وضعیت: مشتق شده از HIV است و برای ویرایش ex vivo (خارج از بدن) مانند CAR-T و اختلالات خونی استفاده می‌شود.
• مزایا: در ژنوم ادغام می‌شود و دوام طولانی‌مدت را ارائه می‌دهد.
• معایب: نگرانی‌هایی در مورد جهش‌زایی 삽جایی (insertional mutagenesis) ایجاد می‌کند.
• کاربردها in vivo: کاربردهای in vivo (درون بدن) آن به دلیل موانع ایمنی و تولید، هنوز عمدتاً نظری هستند.

جمع‌بندی تحویل ژن:

Marrogi اشاره می‌کند که هیچ بردار واحدی برای همه موارد استفاده مناسب نیست. سازش‌ها در مورد مدت زمان بیان، پروفایل ایمنی، ظرفیت بسته‌بندی و ویژگی هدف‌گیری، این حوزه را شکل می‌دهند. سیستم‌های هیبریدی ممکن است به پر کردن برخی از این شکاف‌ها کمک کنند، اما در حال حاضر، هر ابزار به زمینه وابسته است.

جریان پول و بازیگران بازار: سرمایه‌گذاری‌ها و تغییرات سازمانی

بازار بیوتکنولوژی و فناوری شاهد فعالیت‌های چشمگیری در زمینه جذب سرمایه و تغییرات ساختاری است:

۱. اخبار شرکت‌های بزرگ

• Anthropic و تعهد به داده‌های سلامت: Anthropic به تعهد داده‌های سلامت CMS پیوسته و ابزارهای مکالمه‌ای هوش مصنوعی خود را برای بهبود قابلیت همکاری داده‌های سلامت و دسترسی بیمار متعهد کرده است. این شرکت از پروتکل Context Model خود برای پل زدن بین سیستم‌های بهداشتی جداگانه استفاده می‌کند.
• تعدیل نیروی Moderna: شرکت Moderna در حال تعدیل حدود ۱۰% از کارکنان خود است و قصد دارد تعداد شده توسط FDA خود برای تشخیص زودهنگام نارسایی قلبی و آمیلوئیدوز قلبی، از جمله پلتفرم EchoGo که بر روی بیش از ۴۳۰ هزار اسکن آموزش دیده، جذب کرده است.
• Formation Bio با حمایت هوش مصنوعی: شرکت AI-Native Formation Bio، با پشتیبانی یک دور سری D به مبلغ ۳۷۲ میلیون دلار، یک آنتی‌بادی مونوکلونال آماده فاز ۱ برای بیماری‌های خودایمنی را از IMIDomics مجوز گرفته است. هدف این شرکت تقویت خط لوله خود از طریق توسعه یکتیم “New Ventures” Biogen: شرکت Biogen در حال تشکیل یک تیم “New Ventures” برای سرمایه‌گذاری در برنامه‌های خارجی در مراحل اولیه است.
• صندوق سرمایه‌گذاری Frazier: Frazier یک صندوق ۱.۳ میلیارد دلاری با استقبال بیش از حد به منظور حمایت از شرکت‌های درمانی در مراحل اولیه بسته است. این اقدام مجموع سرمایه خطرپذیر جذب شده توسط این شرکت از سال ۲۰۱۶ را به بیش از ۳.۶ میلیارد دلار می‌رساند.
• Ambience Healthcare با پشتیبانی OpenAI: شرکت Ambience Healthcare، ۱۹۸ میلیون دلار در IPO در بورس هنگ کنگ برای پیشبرد خط لوله سرطان و خودایمنی خود جمع‌آوری کرده است. ۱۳۲ میلیون دلار از این مبلغ برای آزمایش‌های بالینی در سراسر مجموعه آنتی‌بادی‌های مونوکلونال، بیسپسیفیک و ADC اختصاص داده شده است.

سایر فناوری‌ها و نوآوری‌ها: از رابط‌های مغز و کامپیوتر تا روباتیک جراحی

نوآوری‌ها در حوزه‌های مختلف فناوری نیز با سرعت چشمگیری ادامه دارد:

۱. رابط‌های مغز و کامپیوتر (BCIs)

• آزمایش Neuralink در بریتانیا: شرکت Neuralink اولین آزمایش بالینی خود را در بریتانیا برای رابط مغز و کامپیوتر N1 کاملاً قابل کاشت آغاز کرده است. این آزمایش تا هفت شرکت‌کننده فلج را برای ارزیابی ایمنی و عملکرد دستگاه در بیمارستان‌های UCLH و Newcastle ثبت‌نام می‌کند.
• کنترل آیپد توسط Synchron: شرکت Synchron کنترل فکری آیپد را از طریق ایمپلنت مغزی نشان داد. این اولین کنترل بومی آیپد با رابط مغز و کامپیوتر با استفاده از ایمپلنت کم‌تهاجمی Stentrode است، که توسط پروتکل BCI HID جدید اپل امکان‌پذیر شده و در بیماران ALS به عنوان بخشی از آزمایش COMMAND آزمایش شده است.

۲. مدل‌های سلول بنیادی و پروتئومیک تک‌سلولی

• مدل پیشرفته خط میانی عصبی انسان: Neal Amin و محققان استنفورد نتایج یک تلاش ۷ ساله را در مجله Science منتشر کردند. آن‌ها پیشرفته‌ترین مدل مشتق شده از سلول‌های بنیادی خط میانی عصبی انسان را با استفاده از سلول‌های صفحه کف و ارگانوئیدهای مونتاژ شده (assembloids) برای تقلید از الگوسازی عصبی، هدایت آکسون و تشکیل مدار ایجاد کردند.
• پروتئومیک تک‌سلولی مقیاس‌پذیر: Nikolai Slavov و همکارانش در موسسه فناوری Parallel Squared در حال پیشبرد پروتئومیک تک‌سلولی مقیاس‌پذیر با استفاده از روش‌های جدید بارکدگذاری و timePlex هستند. هدف آن‌ها تطابق با توان توالی‌یابی DNA است و تلاش‌های آن‌ها در Asimov Press و Nature Methods گزارش شده است.

۳. پلتفرم روباتیک برای جراحی‌های گوارشی

شرکت‌های Olympus و Revival Healthcare Capital با همکاری یکدیگر Swan EndoSurgical را با ۶۵ میلیون دلار راه‌اندازی کردند تا یک پلتفرم روباتیک برای روش‌های گوارشی کم تهاجمی توسعه دهند. Olympus حق گزینه خرید و تا ۴۵۸ میلیون دلار بودجه مبتنی بر نقاط عطف را در اختیار دارد.

️ اقتصاد زیستی و جامعه: از مقررات تا بودجه‌های تحقیقاتی

تحولات در اکوسیستم بیوتکنولوژی و مسائل نظارتی و اجتماعی:

۱. تست خون آلزایمر در اروپا

Roche تاییدیه CE را تحت قوانین جدید تشخیصی اتحادیه اروپا برای تست خونی که pTau-181 را تشخیص می‌دهد، دریافت کرده است. این تست یک ابزار غیرتهاجمی برای رد آلزایمر در مراقبت‌های اولیه با ارزش پیش‌بینی منفی ۹۳.۸% ارائه می‌دهد.

۲. برنامه بازسازی مغز ARPA-H

طرح “FRONT” توسط ARPA-H، به رهبری Jean Hebert، برای بازسازی کامل بافت مغزی نئوکورتیکال با استفاده از داربست‌های سلول‌های بنیادی راه‌اندازی شده است. این طرح شرایطی مانند سکته مغزی و تروما را هدف قرار می‌دهد؛ بودجه اولیه ۱۱۰ میلیون دلار پیشنهاد شده است.

۳. ابزارهای هوش مصنوعی در سلامت روان

مجله npj Digital Medicine فراخوانی برای مقالات در زمینه ابزارهای هوش مصنوعی برای سلامت روان منتشر کرده است. این مجموعه ویژه به دنبال تحقیقات در مورد سیستم‌های تطبیقی، خودمختار و با دخالت انسان است که ارزیابی بالینی، اخلاقی و نظارتی داشته باشند.

۴. نوسانات بودجه NIH و استعفای FDA

• توقف و رفع توقف بودجه NIH: کاخ سفید به طور ناگهانی تمام کمک‌های مالی و قراردادهای تحقیقاتی NIH را از طریق دستورالعمل OMB متوقف کرد و بودجه موسسات آکادمیک و پزشکی در سراسر کشور را مسدود نمود. اما، از ۵ آگوست، این توقف برداشته شده است. کمیته تخصیص اعتبارات سنا نیز کاهش‌های پیشنهادی بودجه NIH را رد کرد و لایحه‌ای را برای افزایش بودجه این آژانس به میزان ۴۰۰ میلیون دلار برای سال مالی ۲۰۲۶ به تصویب رساند. این اقدام حمایت دوحزبی از ادامه تامین مالی تحقیقات بیومدیکال را نشان می‌دهد.
• استعفای Vinay Prasad: در همین حین، Vinay Prasad، رئیس بخش بیولوژیک FDA، کمتر از سه ماه پس از شروع فعالیتش به طور ناگهانی استعفا داد.

۵. تاییدیه FDA برای Elevidys

FDA توصیه کرده است که ممنوعیت داوطلبانه بر روی ژن‌درمانی Elevidys شرکت Sarepta برای بیماران دیستروفی عضلانی دوشن (DMD) در حال حرکت را لغو کند. این آژانس دریافت که مرگ اخیر یک بیمار به این درمان ارتباطی ندارد. اما ممنوعیت برای بیماران غیرمتحرک تا بررسی‌های بیشتر پابرجا می‌ماند.

صنعت داروسازی: پیشرفت‌ها و شکست‌ها

در صنعت داروسازی، شاهد ترکیبی از موفقیت‌ها و چالش‌ها هستیم:

• درمان اختلال شناختی در اسکیزوفرنی: درمان آزمایشی Atai Life Sciences برای اختلال شناختی در اسکیزوفرنی در یک آزمایش فاز ۲ نتوانست نتایج را بهبود بخشد. این شرکت مجبور شد این داروی خود را با وجود پروفایل ایمنی مطلوب، از اولویت خارج کند.
• رقابت در فضای اسکیزوفرنی و آلزایمر: در همین حال، MapLight Therapeutics ۳۷۳ میلیون دلار در دور سری D برای تامین مالی آزمایشات فاز ۲ ترکیب آگونیست موسکارینی M1/M4 خوراکی خود برای اسکیزوفرنی و روان‌پریشی آلزایمر جمع‌آوری کرد. این شرکت وارد همان فضایی می‌شود که داروی تایید شده Cobenfy از BMS حضور دارد.
• مدل موش ترانس‌ژنیک انسانی شده Twist Bioscience: شرکت Twist Bioscience یک مدل موش ترانس‌ژنیک انسانی شده را برای تسریع کشف آنتی‌بادی in vivo راه‌اندازی کرده است. این مدل تولید سریع‌تر و انعطاف‌پذیرتر سرنخ‌ها را بدون موانع مجوز فراهم می‌کند و پلتفرم‌های موجود DiversimAb و غربالگری سلول B این شرکت را گسترش می‌دهد.

جمع‌بندی : 

GLP-1 Vivani در حال حاضر مشغول ارزیابی سایر مولکول‌های بالقوه در زمینه چاقی است که می‌توانند برای فناوری ایمپلنت آن مناسب باشند، و همچنین در حال مشخص کردن جایگاه خود در آینده بازار چاقی و ورود به مطالعات پیش‌بالینی با ایمپلنت سماگلوتاید خود است . مندلسون معتقد است که حداقل در برخی موارد، تک‌درمانی با GLP-1 ممکن است در فاز نگهداری درمان کافی باشد . با این حال، وی تأکید می‌کند که با پیشرفت مطالعات و توسعه همزمان فناوری با مولکول‌های جدیدتر، مسیر آینده روشن‌تر خواهد شد.

———————————————————————————

• نکات کلیدی:

• نوآوری در درمان چاقی: شرکت Vivani Medical در حال توسعه یک ایمپلنت با اثر طولانی‌مدت (۶ تا ۱۲ ماه) برای داروهای GLP-1 است.
• فناوری NanoPortal: این فناوری نانویی، آزادسازی پیوسته و پایدار دارو را از طریق ایمپلنت ممکن می‌سازد.
• تمرکز بر سماگلوتاید: Vivani به طور استراتژیک، توسعه ایمپلنت حاوی سماگلوتاید را برای رقابت مستقیم با مؤثرترین داروهای بازار در اولویت قرار داده است.
• حل مشکل پایبندی بیمار: مزیت اصلی این رویکرد، حذف نیاز به تزریق یا مصرف قرص مکرر و حل مشکل بزرگ عدم پایبندی بیماران به درمان است.
• کاهش عوارض جانبی: با حفظ سطح پایدار دارو در بدن، این ایمپلنت پتانسیل کاهش عوارض جانبی گوارشی و “گرسنگی برگشتی” را دارد.
• جایگاه در بازار: Vivani به دنبال ایجاد یک بخش جدید و معنادار در بازار داروهای چاقی با ارائه یک گزینه درمانی طولانی‌اثر و راحت است.
• چشم‌انداز امیدوارکننده: داده‌های پیش‌بالینی ایمپلنت سماگلوتاید کاهش وزن ۲۰ درصدی را در مدل‌های حیوانی نشان داده است.

• نکات تکمیلی:

• رقابت و سابقه: تلاش قبلی شرکت Intarcia Therapeutics برای یک ایمپلنت GLP-1 در سال ۲۰۲۳ توسط FDA رد شد، که نشان‌دهنده چالش‌های این مسیر است.
• قیمت‌گذاری: قیمت ایمپلنت Vivani قرار است با تزریق‌های هفتگی “بسیار رقابتی” باشد.
• وضعیت توسعه: ایمپلنت سماگلوتاید Vivani در حال حاضر در مرحله پیش‌بالینی قرار دارد.

• نتیجه گیری:

در حالی که نبرد غول‌های داروسازی بر سر بازار GLP-1 شدت می‌گیرد، Vivani Medical با رویکرد نوآورانه خود، یک مسیر کاملاً جدید و هوشمندانه را ترسیم می‌کند. این شرکت با تمرکز بر حل مشکل حیاتی “پایبندی بیمار” از طریق ایمپلنت‌های طولانی‌اثر، نه تنها یک مزیت رقابتی مشخص ایجاد کرده، بلکه پتانسیل بهبود چشمگیر نتایج درمانی و کیفیت زندگی بیماران را دارد. موفقیت این فناوری می‌تواند نشانگر آغاز عصری جدید در مدیریت بیماری‌های مزمن مانند چاقی باشد که در آن ثبات و راحتی درمان، حرف اول را می‌زند.

• پرسش‌های تحقیقاتی بیشتر:

• با توجه به رد شدن ایمپلنت GLP-1 شرکت Intarcia توسط FDA به دلیل مسائل ایمنی، تفاوت‌های فنی کلیدی در فناوری “NanoPortal” ویوانی چیست که ممکن است به آن اجازه دهد از این موانع عبور کند؟

• فارماکوکینتیک آزادسازی پایدار و یکنواخت دارو از ایمپلنت، چگونه بر اثربخشی کلی و پروفایل عوارض جانبی سماگلوتاید در مقایسه با نوسانات ناشی از تزریق‌های هفتگی تأثیر می‌گذارد؟
• فرآیند کاشت و برداشتن ایمپلنت Vivani چیست و آیا نیاز به یک عمل پزشکی جزئی، یک مانع بزرگ برای پذیرش از سوی بیمارانی که به تزریق یا قرص عادت کرده‌اند، نخواهد بود؟

• در صورت موفقیت ایمپلنت سماگلوتاید، آیا فناوری NanoPortal می‌تواند به یک پلتفرم برای ارائه داروهای طولانی‌اثر دیگر برای بیماری‌های مزمن فراتر از چاقی و دیابت، مانند سلامت روان یا بیماری‌های قلبی-عروقی، تبدیل شود؟

• سخن پایانی نویسنده پیشنهادی :

تماشای تکامل این بازار شگفت‌انگیز است. ابتدا تزریق‌های روزانه داشتیم، سپس هفتگی، و بعد قرص‌ها. هر قدم در جهت آسان‌تر کردن درمان بود. ایمپلنت Vivani مانند گام منطقی و در عین حال رادیکال بعدی به نظر می‌رسد: چه می‌شود اگر مجبور نباشید برای شش ماه به داروی خود فکر کنید؟ برای بسیاری از افراد، بار روانی به خاطر سپردن دوز روزانه یا هفتگی یک مانع واقعی است. این رویکرد “یک بار بکار و فراموش کن” می‌تواند نه تنها برای کاهش وزن، بلکه برای نحوه مدیریت بیماری‌های مزمن، یک تغییردهنده بازی باشد. این یک داستان کلاسیک داوود و جالوت است که در آن یک شرکت بیوتکنولوژی کوچک در تلاش است تا مشکلی را که غول‌ها هنوز حل نکرده‌اند، برطرف کند.

منبع : به گزارش  pharmavoice 

 

در مجله سایبرلایف بخوانید