Նախընտրելի
Արհեստական բանականությունը վաղուց անվանում են նոր դեղերի որոնման համար ամենահեռանկարային տեխնոլոգիաներից մեկը, իսկ AI-կենսատեխնոլոգիաներում ներդրումներն արդեն հաշվվում են տասնյակ միլիարդավոր դոլարներով։ Սակայն առայժմ իրական արդյունքները զգալիորեն ավելի համեստ են, քան խոստումները․ ԱԲ-ն սովորել է գտնել հեռանկարային թեկնածուներ, սակայն դա դեռ չի հանգեցրել կլինիկական փորձարկումների ուշ փուլերում գտնվող մեծ թվով նոր դեղամիջոցների ի հայտ գալուն։
Այս եզրակացությանն են եկել Nature Reviews Drug Discovery-ում հրապարակված գրախոսվող աշխատանքի հեղինակները։ Նրանք ԱԲ-ի կլինիկական ազդեցությունը անվանում են «հիասթափեցնող չափով սահմանափակ»։
Պարզվեց՝ մոլեկուլ գտնելն ավելի հեշտ է, քան ապացուցել դրա արդյունավետությունը
Ինչպես պատմում է Axios.com-ը, հիմնական խնդիրը կապված է դեղերի մշակման վաղ փուլերի և մարդկանց վրա փորձարկումների միջև եղած խզման հետ։
ԱԲ-ն իսկապես դարձել է օգտակար գործիք՝ պոտենցիալ դեղանյութային միացություններ գտնելու և հեռանկարային կենսաբանական թիրախներ որոշելու համար։ Բայց դրանից հետո մշակումը բախվում է նույն խնդրին, ինչ ավանդական դեղամիջոցները․ անհրաժեշտ է ապացուցել, որ թեկնածուն իսկապես գործում է մարդկանց մոտ։
Հատկապես բարդ է մնում կլինիկական փորձարկումների երկրորդ փուլը՝ Phase 2-ը։ Այստեղ դեղամիջոցը ստուգում են պացիենտների վրա և փորձում են ստանալ դրա արդյունավետության և անվտանգության համոզիչ ապացույցներ։ Արդյունքները կարող են մարդկանց միջև զգալիորեն տարբերվել, իսկ իրական մարդկային օրգանիզմի կենսաբանությունը էապես ավելի բարդ է, քան այն մոդելները, որոնց վրա ուսուցանվում են ալգորիթմները։
Ուստի ԱԲ-ի՝ հեռանկարային մոլեկուլներ կանխատեսելու կարողությունն ինքնին դեռ չի նշանակում, որ այդ մոլեկուլները կդառնան արդյունավետ դեղամիջոցներ։
Հիմնական պակասորդը մարդկային կենսաբանության մասին տվյալներն են
Հետազոտողները մատնանշում են մի խնդիր, որը շատ ավելի քիչ տպավորիչ է թվում, քան ԱԲ-ի նոր մոդելները, բայց կարող է ավելի կարևոր լինել տեխնոլոգիայի զարգացման համար՝ տվյալների որակը։
Մոդելների ուսուցման համար անհրաժեշտ են բջիջների և օրգանիզմի աշխատանքի մասին մանրամասն տեղեկություններ, սակայն նման տվյալների հավաքածուները հաճախ լինում են անբավարար հուսալի, թերի կամ պարզապես չափազանց բարդ՝ ստանդարտացման համար։
Կենսատեխնոլոգիական լրագրող Դերեկ Լոուն, մեկնաբանելով հետազոտությունը, նշել է, որ գիտնականները դեռ չգիտեն, թե ինչպես այս տվյալներից շատերը բերել այնպիսի տեսքի, որը հարմար կլինի լիարժեք մեքենայական ուսուցման համար, և արդյոք դա ընդհանրապես հնարավոր է։
Սա ստեղծում է մի տեսակ պարադոքս։ Ալգորիթմները գնալով ավելի լավն են դառնում, բայց տվյալները, որոնց հիման վրա նրանք պետք է ուսումնասիրեն մարդկային կենսաբանությունը, մնում են գլխավոր սահմանափակումներից մեկը։
AI-կենսատեխնոլոգիաներում արդեն ներդրել են ավելի քան $40 մլրդ
PitchBook-ի տվյալներով՝ այս տասնամյակում վենչուրային ներդրողները AI-կենսատեխնոլոգիական ընկերություններում ներդրել են ավելի քան $40 մլրդ։
Միևնույն ժամանակ, ԱԲ-ի էական կիրառմամբ մշակված և արդեն փորձարկումների երկրորդ փուլից առաջ անցած դեղամիջոցները դեռ շատ քիչ են։ Ինքնին այս ցուցանիշը չպետք է զարմացնի․ դեղերի մշակումը տարիներ է տևում և պահանջում է անցնել փորձարկումների մի քանի փուլ։
Բայց հենց այստեղ էլ առաջանում է իրականության և ոլորտի սկզբնական խոստումների միջև եղած տարաձայնությունը։ ԱԲ-ի կիրառման կողմնակիցները բազմիցս պնդել են, որ տեխնոլոգիան կկարողանա զգալիորեն կրճատել դեղերի մշակման ժամկետները։ Առայժմ նման արագացման համոզիչ ապացույցները բավարար չեն։
ԱԲ-ն արդեն օգնում է բուժման վերաբերյալ որոշումներ ընդունել
Միևնույն ժամանակ, պնդել, թե ԱԲ-ն դեղագործության մեջ ընդհանրապես գործնական օգուտ չի տալիս, սխալ կլինի։
Օրինակ՝ Moderna-ն և Merck-ը սկսել են փորձարկումների երրորդ փուլը, որտեղ ԱԲ-ն օգտագործվում է քաղցկեղով կոնկրետ պացիենտների մոտ ուռուցքային թիրախների ընտրության համար։ Դրանից հետո պացիենտներին նշանակվում է արդեն գոյություն ունեցող դեղամիջոց։
Սակայն սա մի փոքր այլ սցենար է։ Այստեղ ԱԲ-ն օգնում է ավելի ճշգրիտ որոշումներ ընդունել կոնկրետ մարդու բուժման վերաբերյալ, այլ ոչ թե ամբողջությամբ փոխել զրոյից նոր դեղամիջոցի ստեղծման գործընթացը։
Նման կիրառությունները կարող են դառնալ բժշկության կարևոր մաս նույնիսկ առանց ամբողջությամբ ԱԲ-ով ստեղծված դեղամիջոցների ի հայտ գալու։
Ամենաթանկ խնդիրները սկսվում են դեղամիջոցի հայտնաբերումից հետո
Որոշ ներդրողներ կարծում են, որ ԱԲ-ի հաջորդ մեծ ազդեցությունը պետք է դրսևորվի ոչ միայն մոլեկուլների որոնման մեջ։
Arch Venture Partners-ից Ռոբերտ Նելսենը մատնանշում է կենսաբանության մասին զգալիորեն ավելի մեծ ծավալի տվյալների անհրաժեշտությունը՝ ներառյալ բջջային և պոպուլյացիոն տվյալները։ Նրա կարծիքով՝ կարգավորման փոփոխությունների և հաշվարկային տեխնոլոգիաների զարգացման հետ միասին սա կարող է էապես փոխել դեղագործական ոլորտը։
Իսկ NaviMed Capital-ից Բիջան Սալեհիզադեն, հակառակը, զգուշացնում է, որ առայժմ ԱԲ-ն կարող է կիրառվել գլխավորապես այնտեղ, որտեղ այն ներդնելն ամենահեշտն է՝ կենսավիճակագրության մեջ, պացիենտների հավաքագրումն ավարտելուց հետո տվյալների մշակման և կարգավորող մարմինների համար փաստաթղթերի պատրաստման մեջ։
Միևնույն ժամանակ, ամենաթանկ և ամենաբարդ խնդիրները մնում են չլուծված։ Խոսքը վերաբերում է աշխարհի տարբեր երկրներում հարյուրավոր կամ հազարավոր կլինիկական կենտրոններով խոշոր հետազոտությունների անցկացմանը, հետազոտությունների մեկնարկին, կենտրոնների հետ բանակցություններին, պացիենտների հավաքագրմանը և տվյալների մշտական մոնիթորինգին։
Ստացվում է, որ ԱԲ-ն արդեն ի վիճակի է օգնել մշակման առանձին փուլերում, բայց առայժմ չի ցուցադրել այն գլխավոր խոչընդոտները վերացնելու կարողություն, որոնք նոր դեղամիջոցի ստեղծումը դարձնում են երկար և թանկ գործընթաց։
Խոստումների և ապացուցված ազդեցության միջև դեռ խզում կա
Այսօր ԱԲ-ն վստահորեն օգտագործվում է դեղագործության և կենսաբժշկության առանձին խնդիրներում, սակայն դա դեռ համարժեք չէ դեղերի մշակման մեջ հեղաշրջման։
Հիմնական հարցն այժմ ոչ այնքան այն է, թե արդյոք ալգորիթմը կկարողանա մտածել հեռանկարային մոլեկուլ, որքան այն, թե արդյոք ամբողջ համակարգը՝ լաբորատոր տվյալներից մինչև լայնածավալ կլինիկական փորձարկումներ, կկարողանա այդ կանխատեսումը վերածել արդյունավետ դեղամիջոցի։
Առայժմ հենց այս փուլում ԱԲ-ի առավելությունները մնում են շատ ավելի քիչ համոզիչ, քան տեխնոլոգիայի շուրջ եղած խոստումները։
