از ۴٫۵ سال به ۱۳ ماه؛ هوش مصنوعی چگونه کشف دارو را متحول می‌کند؟

شرکت Insilico Medicine اعلام کرد که با کمک هوش مصنوعی و اتوماسیون آزمایشگاهی، زمان معمول انتخاب کاندیدای دارویی را به حدود ۱۳ ماه رسانده است. به گفته مدیرعامل این شرکت، فرایند سنتی حدود ۴٫۵ سال زمان می‌برد. این دستاورد توجه صنعت داروسازی را به ظرفیت‌های هوش مصنوعی در کشف دارو جلب کرده است.

صنعت داروسازی همواره با فرایندهای پیچیده و پرهزینه تحقیق و توسعه روبه‌رو بوده است. پژوهشگران برای شناسایی یک داروی جدید باید مراحل متعددی را پشت سر بگذارند. این مسیر از شناخت بیماری و طراحی مولکول آغاز می‌شود و تا کارآزمایی بالینی و دریافت مجوز ادامه می‌یابد.

اکنون هوش مصنوعی در حال تغییر بخشی از این مسیر است. الگوریتم‌های پیشرفته می‌توانند داده‌های زیستی و شیمیایی را تحلیل کنند. این فناوری همچنین به پژوهشگران در طراحی مولکول‌های جدید و شناسایی ترکیبات مناسب کمک می‌کند.

تجربه شرکت Insilico Medicine نمونه‌ای از این تحول است. این شرکت تلاش می‌کند هوش مصنوعی را به یکی از اجزای اصلی فرایند کشف دارو تبدیل کند.

کاهش زمان کشف دارو؛ Insilico Medicine چه دستاوردی داشته است؟

بر اساس گزارش رویترز در ۲۳ ژوئیه ۲۰۲۶، الکس ژاورونکوف، مدیرعامل Insilico Medicine، از کاهش چشمگیر زمان انتخاب کاندیدای دارویی خبر داد.

او در گفت‌وگو با رویترز توضیح داد که دستیابی به یک کاندیدای توسعه دارویی در روش سنتی معمولاً حدود ۴٫۵ سال طول می‌کشد. در مقابل، شرکت او توانسته زمان معمول این فرایند را به حدود ۱۳ ماه برساند.

ژاورونکوف همچنین از ثبت رکورد ۹ماهه در سریع‌ترین پروژه شرکت خبر داد.

تفاوت رکورد ۹ماهه با عملکرد معمول ۱۳ماهه

برای ارزیابی این دستاورد باید میان دو عدد تفاوت قائل شد. زمان ۱۳ ماه نشان‌دهنده عملکرد معمول اعلام‌شده شرکت است. در مقابل، عدد ۹ ماه به سریع‌ترین پروژه آن اشاره دارد.

این ارقام به انتخاب کاندیدای توسعه دارویی مربوط هستند. بنابراین نباید آن‌ها را با زمان تولید و عرضه یک داروی تاییدشده یکسان دانست.

همچنین مدیرعامل شرکت عدد ۴٫۵ سال را برای فرایند سنتی مطرح کرده است. این عدد یک معیار قطعی برای تمام پروژه‌های داروسازی محسوب نمی‌شود.

نقش زیرساخت‌های پژوهشی چین

ژاورونکوف موفقیت شرکت را تنها به الگوریتم‌های هوش مصنوعی نسبت نمی‌دهد. او زیرساخت‌های تحقیقاتی چین را نیز یکی از عوامل مؤثر می‌داند.

دسترسی به تجهیزات آزمایشگاهی، ظرفیت اجرای پژوهش و سامانه‌های خودکار، سرعت آزمایش ترکیبات را افزایش می‌دهد. هوش مصنوعی نیز به پژوهشگران کمک می‌کند مولکول‌های مناسب‌تر را انتخاب کنند.

ترکیب این قابلیت‌ها می‌تواند چرخه طراحی، آزمایش و اصلاح مولکول‌ها را کوتاه‌تر کند.

هوش مصنوعی چگونه فرایند کشف دارو را سریع‌تر می‌کند؟

کشف دارو با شناخت سازوکار بیماری و شناسایی هدف درمانی آغاز می‌شود. پژوهشگران سپس مولکول‌هایی را طراحی می‌کنند که بتوانند بر آن هدف اثر بگذارند.

در روش‌های متداول، این فعالیت‌ها به بررسی منابع علمی و انجام آزمایش‌های متعدد نیاز دارند. هوش مصنوعی می‌تواند بخشی از این فرایند را تسریع کند.

شناسایی هدف دارویی با تحلیل داده‌ها

نخستین مرحله مهم، شناسایی یک هدف درمانی مناسب است. این هدف ممکن است یک پروتئین، آنزیم یا مسیر مولکولی باشد.

مدل‌های یادگیری ماشین حجم گسترده‌ای از داده‌های ژنومی و پروتئومی را بررسی می‌کنند. آن‌ها همچنین می‌توانند ارتباط میان بیماری‌ها و مسیرهای زیستی را تحلیل کنند.

این قابلیت به پژوهشگران کمک می‌کند اهداف درمانی امیدوارکننده را سریع‌تر شناسایی کنند. البته متخصصان باید اعتبار این اهداف را با شواهد علمی و آزمایشگاهی بررسی کنند.

طراحی مولکول‌های جدید با هوش مصنوعی

پس از انتخاب هدف، پژوهشگران باید مولکولی مناسب برای اثرگذاری بر آن طراحی کنند.

هوش مصنوعی مولد می‌تواند ساختارهای شیمیایی جدیدی پیشنهاد دهد. این فناوری فضای گسترده‌ای از ترکیبات احتمالی را بررسی می‌کند و گزینه‌های مناسب‌تر را در اختیار پژوهشگران قرار می‌دهد.

مدل‌های محاسباتی همچنین می‌توانند برخی ویژگی‌های مولکول را پیش‌بینی کنند. پایداری، جذب، حلالیت و احتمال بروز سمیت از جمله این ویژگی‌ها هستند.

این پیش‌بینی‌ها به انتخاب ترکیبات مناسب‌تر کمک می‌کنند؛ اما همچنان به اعتبارسنجی تجربی نیاز دارند.

نقش اتوماسیون آزمایشگاهی در کشف دارو

طراحی یک مولکول مناسب، تنها بخشی از فرایند کشف دارو است. پژوهشگران باید عملکرد آن را در آزمایشگاه نیز بررسی کنند.

سامانه‌های رباتیک می‌توانند بسیاری از فعالیت‌های تکراری آزمایشگاهی را انجام دهند. این تجهیزات سرعت اجرای آزمایش‌ها و جمع‌آوری داده‌ها را افزایش می‌دهند.

پژوهشگران سپس نتایج آزمایش‌ها را برای اصلاح مدل‌های محاسباتی به کار می‌گیرند.

در این ساختار، هوش مصنوعی و آزمایشگاه یک چرخه مشترک ایجاد می‌کنند. مدل‌ها مولکول پیشنهاد می‌دهند و آزمایش‌ها کیفیت پیش‌بینی‌ها را مشخص می‌کنند.

Insilico Medicine؛ از فناوری هوش مصنوعی تا توسعه دارو

شرکت Insilico Medicine فعالیت خود را در سال ۲۰۱۴ آغاز کرد. این شرکت بر کاربرد هوش مصنوعی در زیست‌شناسی، شناسایی اهداف درمانی و طراحی دارو تمرکز دارد.

Insilico مجموعه فناوری‌های خود را با نام Pharma.AI توسعه داده است. این مجموعه بخش‌های مختلف فرایند کشف دارو را پوشش می‌دهد.

پلتفرم‌های اصلی شرکت

پلتفرم PandaOmics به شناسایی و اولویت‌بندی اهداف دارویی کمک می‌کند. این سامانه داده‌های زیستی گسترده را برای بررسی ارتباط میان بیماری‌ها و اهداف درمانی تحلیل می‌کند.

پلتفرم Chemistry42 نیز بر طراحی و بهینه‌سازی مولکول‌های جدید تمرکز دارد. پژوهشگران از این فناوری برای جست‌وجوی ترکیبات شیمیایی مناسب استفاده می‌کنند.

شرکت علاوه بر توسعه داخلی دارو، خدمات تحقیقاتی و همکاری‌های فناورانه نیز ارائه می‌دهد.

معرفی ۳۵ کاندیدای دارویی از سال ۲۰۲۱

رویترز در ژوئیه ۲۰۲۶ گزارش داد که Insilico طی شش سال ۳۱ کاندیدای دارویی معرفی کرده است.

شرکت در اطلاعیه رسمی اکتبر ۲۰۲۶ آمار جدیدی ارائه کرد. طبق این اطلاعیه، تعداد کاندیداهای پیش‌بالینی معرفی‌شده از سال ۲۰۲۱ به ۳۵ مورد رسیده است.

این آمار از گسترش فعالیت‌های تحقیق و توسعه شرکت حکایت دارد.

بااین‌حال، تعداد کاندیداها به‌تنهایی موفقیت نهایی یک پلتفرم کشف دارو را اثبات نمی‌کند. نتیجه کارآزمایی‌های بالینی و دریافت مجوز نیز اهمیت دارد.

Rentosertib؛ نمونه‌ای از کاربرد هوش مصنوعی در توسعه دارو

یکی از مهم‌ترین پروژه‌های Insilico Medicine، توسعه داروی آزمایشی Rentosertib است. پژوهشگران این دارو را برای درمان فیبروز ریوی ایدیوپاتیک توسعه می‌دهند.

این بیماری به‌تدریج باعث ایجاد بافت فیبروتیک در ریه می‌شود. در نتیجه، عملکرد تنفسی بیمار کاهش می‌یابد.

درمان‌های موجود می‌توانند سرعت پیشرفت بیماری را کاهش دهند. بااین‌حال، بیماران همچنان به گزینه‌های درمانی مؤثرتر نیاز دارند.

از شناسایی هدف درمانی تا طراحی مولکول

Insilico با کمک پلتفرم‌های هوش مصنوعی خود، پروتئین TNIK را به‌عنوان هدف درمانی شناسایی کرد. پژوهشگران سپس مولکولی را برای مهار فعالیت این پروتئین طراحی کردند.

مقاله‌ای در [مجله Nature Biotechnology] مراحل این پروژه را تشریح می‌کند.

بر اساس این مقاله، فرایند شناسایی هدف تا انتخاب کاندیدای پیش‌بالینی حدود ۱۸ ماه طول کشید.

این عدد به پروژه مشخص Rentosertib مربوط است. بنابراین باید آن را از زمان معمول ۱۳ماهه شرکت تفکیک کرد.

نتایج کارآزمایی بالینی فاز دوم

پژوهشگران نتایج کارآزمایی فاز دوم مقدماتی Rentosertib را در ژوئن ۲۰۲۵ منتشر کردند. مجله Nature Medicine گزارش این مطالعه را منتشر کرد.

در این پژوهش، ۷۱ بیمار مشارکت داشتند و دوره درمان ۱۲ هفته طول کشید.

گروه دریافت‌کننده بالاترین دوز روزانه دارو، به‌طور میانگین افزایش ۹۸٫۴ میلی‌لیتری ظرفیت حیاتی اجباری ریه را تجربه کرد. در مقابل، میانگین این شاخص در گروه دارونما ۲۰٫۳ میلی‌لیتر کاهش یافت.

این نتایج نشانه‌های امیدوارکننده‌ای ارائه کردند. بااین‌حال، تعداد محدود بیماران و مدت کوتاه مطالعه، تفسیر نتایج را محدود می‌کند.

پژوهشگران برای تایید اثربخشی و ایمنی دارو به مطالعات گسترده‌تری نیاز دارند.

ورود Rentosertib به فاز سوم

Insilico در سپتامبر ۲۰۲۶ از آغاز دوزدهی به نخستین بیمار در کارآزمایی فاز سوم خبر داد.

این مرحله، ایمنی و اثربخشی دارو را در جمعیت بزرگ‌تری بررسی می‌کند. نتایج آن نقش مهمی در تعیین آینده درمان خواهند داشت.

ورود Rentosertib به فاز سوم، پیشرفت مهمی برای برنامه تحقیقاتی شرکت محسوب می‌شود. البته این دارو هنوز مجوز نهایی عرضه ندارد.

آیا هوش مصنوعی می‌تواند در یک سال دارو بسازد؟

پاسخ به این پرسش، به تعریف ما از کشف دارو بستگی دارد.

انتخاب کاندیدای دارویی تنها یکی از مراحل توسعه یک درمان جدید است. پس از این مرحله، پژوهشگران باید ارزیابی‌های تکمیلی و کارآزمایی‌های انسانی را انجام دهند.

سازمان غذا و داروی آمریکا مراحل اصلی توسعه دارو را در چند بخش معرفی می‌کند.

مراحل اصلی کشف و توسعه دارو

برخی ارزیابی‌های پیش‌بالینی پیش از انتخاب رسمی کاندیدا آغاز می‌شوند. ترتیب دقیق فعالیت‌ها نیز به نوع محصول و برنامه توسعه بستگی دارد.

بنابراین، انتخاب کاندیدای دارویی در یک سال به معنای عرضه دارو در همین مدت نیست.

هوش مصنوعی می‌تواند مرحله کشف را کوتاه‌تر کند. بااین‌حال، کارآزمایی بالینی و بررسی‌های نظارتی همچنان بخش مهمی از مسیر توسعه دارو هستند.

چرا شرکت‌های بزرگ داروسازی به هوش مصنوعی توجه دارند؟

کاربرد هوش مصنوعی در کشف دارو، فرصت‌های تازه‌ای برای همکاری شرکت‌های فناور و داروسازان بزرگ ایجاد کرده است.

در مارس ۲۰۲۶، شرکت Eli Lilly همکاری خود را با Insilico Medicine گسترش داد.

طبق گزارش رویترز، ارزش بالقوه این توافق به ۲٫۷۵ میلیارد دلار می‌رسد. این قرارداد شامل ۱۱۵ میلیون دلار پرداخت اولیه و مبالغ مشروط به تحقق اهداف بعدی است.

شرکت Takeda نیز در ژوئیه ۲۰۲۶ از همکاری راهبردی با Insilico خبر داد. این همکاری بر کشف کاندیداهای دارویی با استفاده از پلتفرم Pharma.AI تمرکز دارد.

مدل‌های جدید کسب‌وکار در صنعت داروسازی

این همکاری‌ها نشان می‌دهند که شرکت‌های داروسازی به دنبال استفاده از ظرفیت‌های تخصصی هوش مصنوعی هستند.

در چنین مدلی، یک شرکت فناور می‌تواند بر شناسایی هدف و طراحی مولکول تمرکز کند. شریک داروسازی نیز بخشی از توسعه بالینی و تجاری‌سازی را بر عهده می‌گیرد.

این تقسیم وظایف ممکن است نیاز شرکت‌های کوچک‌تر به ایجاد زیرساخت‌های گسترده را کاهش دهد.

البته ارزش بالقوه قراردادها با درآمد واقعی تفاوت دارد. شرکت‌ها معمولاً بخشی از مبالغ را به تحقق اهداف تحقیقاتی، بالینی یا تجاری وابسته می‌کنند.

آینده کشف دارو با هوش مصنوعی

تجربه Insilico Medicine نشان می‌دهد که هوش مصنوعی می‌تواند فراتر از یک ابزار محاسباتی عمل کند.

ترکیب مدل‌های پیشرفته با سامانه‌های آزمایشگاهی، امکان ایجاد فرایندهای تحقیقاتی یکپارچه را فراهم می‌کند. در این ساختار، پژوهشگران از نتایج هر آزمایش برای بهبود طراحی‌های بعدی استفاده می‌کنند.

تحول در فعالیت پژوهشگران و آزمایشگاه‌ها

اتوماسیون می‌تواند بخشی از فعالیت‌های تکراری آزمایشگاهی را کاهش دهد. در مقابل، نیاز به متخصصان تحلیل داده و طراحی آزمایش افزایش می‌یابد.

این روند اهمیت همکاری میان زیست‌شناسان، شیمی‌دانان دارویی و متخصصان هوش مصنوعی را بیشتر می‌کند.

بااین‌حال، فناوری جایگزین کامل قضاوت علمی پژوهشگران نیست. متخصصان همچنان باید کیفیت داده‌ها و اعتبار نتایج را بررسی کنند.

فرصت‌ها و ریسک‌های سرمایه‌گذاری

از منظر سرمایه‌گذاری در زیست‌فناوری، این تحول فرصت‌های تازه‌ای ایجاد می‌کند.

پلتفرم‌های کشف دارو، تحلیل داده‌های زیستی و اتوماسیون آزمایشگاهی از جمله حوزه‌های قابل‌توجه هستند. خدمات تخصصی تحقیق و توسعه نیز می‌توانند از این روند بهره ببرند.

بااین‌حال، سرمایه‌گذاران باید معیارهای متعددی را بررسی کنند. سرعت طراحی مولکول تنها یکی از این معیارهاست.

کیفیت داده‌ها، مالکیت فکری، هزینه واقعی پروژه و نتایج مطالعات بالینی نیز اهمیت دارند.

علاوه بر این، کاهش زمان کشف دارو لزوماً احتمال موفقیت بالینی را افزایش نمی‌دهد. شرکت‌ها باید این مزیت را با شواهد معتبر نشان دهند.

جمع‌بندی؛ هوش مصنوعی چه تغییری در صنعت داروسازی ایجاد می‌کند؟

تجربه Insilico Medicine نمونه‌ای از تغییر رویکرد در کشف و توسعه دارو است. این شرکت با ترکیب هوش مصنوعی و زیرساخت آزمایشگاهی، تلاش می‌کند فرایند شناسایی مولکول‌های مناسب را تسریع کند.

کاهش زمان معمول انتخاب کاندیدا به ۱۳ ماه، رکورد ۹ماهه و معرفی ۳۵ کاندیدای پیش‌بالینی، بخشی از عملکرد اعلام‌شده شرکت هستند.

پیشرفت Rentosertib به فاز سوم بالینی نیز اهمیت این تجربه را افزایش داده است.

بااین‌حال، پرسش اصلی همچنان باقی است: آیا افزایش سرعت کشف دارو به توسعه درمان‌های ایمن‌تر، مؤثرتر و مقرون‌به‌صرفه‌تر منجر خواهد شد؟

پاسخ این پرسش به نتایج بالینی، هزینه توسعه و موفقیت تجاری محصولات بستگی دارد.

هوش مصنوعی هنوز پیچیدگی توسعه دارو را از میان نبرده است؛ اما می‌تواند مرحله آغاز این مسیر را سریع‌تر و هدفمندتر کند.