الذكاء الاصطناعي التوليدي يدخل المسار السريع لتطوير الأدوية، لكن التحدي الحقيقي في التحقق لا في السرعة

غالبا ما لا يكون الجزء الأكثر كلفة في تطوير الأدوية هو ولادة فكرة، بل إثباتها خطوة بعد خطوة كخيار علاجي آمن وفعال وقابل للتصنيع. ناقشت PMLiVE هذا الاتجاه تحت عنوان «إدخال الذكاء الاصطناعي التوليدي إلى المسار السريع لصناعة الأدوية»، مذكّرة بأن دور الذكاء الاصطناعي في قطاع الأدوية ينتقل تدريجيا من دعم الكتابة وإدارة المعرفة إلى مواقع أقرب إلى الجوهر، مثل تصميم الجزيئات، وتخطيط التجارب، واتخاذ القرارات التجارية.

الاستخدامات المحددة للذكاء الاصطناعي التوليدي في الطب الحيوي لا تقتصر على إنتاج النصوص. يمكن استخدامه لتصميم بنى البروتينات أو الجزيئات الصغيرة، وتنظيم كميات كبيرة من الأدبيات وبيانات الأبحاث الداخلية، والمساعدة في البحث عن أهداف دوائية محتملة، أو في مرحلة التطوير السريري لمقارنة شروط التجارب ومجموعات المرضى وإعدادات نقاط النهاية بسرعة. بالنسبة إلى شركات الأدوية الكبرى، كانت هذه الأعمال موزعة أصلا بين فرق وقواعد بيانات مختلفة؛ وإذا استطاعت النماذج دمج المعلومات في توصيات قابلة للتدقيق، فقد يتغير إيقاع البحث والتطوير فعلا.

لكن «السرعة» لم تكن يوما ميزة قائمة بذاتها في تطوير الأدوية. فالجزيئات المرشحة التي يقترحها الذكاء الاصطناعي لا تزال بحاجة إلى تحقق تجريبي، من الاختبارات خارج الجسم الحي، إلى النماذج الحيوانية، وصولا إلى الدراسات السريرية على البشر. وفي كل خطوة يجب الإجابة عن أسئلة مختلفة: هل تعمل فعلا على الهدف المقصود، وهل لديها ملف سمية مقبول، وهل يمكنها بلوغ تركيز كاف داخل جسم المريض، وهل يتفوق أثرها على العلاجات القائمة. لا يمكن لحداثة مخرجات النموذج أن تحل محل الأدلة البيولوجية والسريرية.

لا تقدم الملخصات المنشورة حاليا حالات شركات محددة وردت في مقال PMLiVE، ولا بيانات أداء للنماذج، ولا نتائج تحقق سريري، كما لا توجد مصادر أخرى للحدث نفسه يمكن مقاطعتها. لذلك، من الأنسب فهم هذه الرسالة بوصفها ملاحظة لاتجاه صناعي، لا باعتبارها اختراقا تقنيا مثبتا بعينه. وبالنسبة إلى القراء، فالسؤال الرئيسي ليس ما إذا كان الذكاء الاصطناعي التوليدي سيدخل صناعة الأدوية، بل كيف سيجري قياسه وتدقيقه وتقييده في كل مرحلة.

جودة البيانات هي العتبة الأولى. فكثيرا ما تأتي بيانات البحث والتطوير الدوائي من منصات تجريبية مختلفة، وأنظمة سجلات طبية، وتصاميم تجارب متباينة؛ فتختلف الصيغ، ولا يكون التخلص الكامل من الانحيازات أمرا سهلا. وإذا اختلطت بيانات التدريب بتجارب فاشلة غير موسومة، أو معلومات سكانية غير مكتملة، أو أحكام داخلية غير قابلة للتتبع، فقد يقدم النموذج توصيات تبدو معقولة في صياغة سلسة، لكنها هشة في الواقع. قد يكون ذلك في التطبيقات التجارية العامة مجرد مسألة كفاءة، لكنه في المجال الطبي قد يغير تقدير المخاطر.

التحديات التنظيمية واقعية بالقدر نفسه. فمراجعة الأدوية تولي أهمية لقابلية إعادة الإنتاج، والاستدلال السببي، وضبط المخاطر؛ وإذا شارك الذكاء الاصطناعي في اختيار الأدوية المرشحة، أو شروط إدراج المشاركين في التجارب، أو تحليل إشارات السلامة، فيجب على المطورين أن يوضحوا ما البيانات التي استخدمها النموذج، وكيف يجري تحديثه، ومتى تكون المراجعة البشرية مطلوبة، وكيف يتم اعتراض المخرجات الخاطئة. أما وعود الكفاءة الصادرة عن صندوق أسود، فمن الصعب تحويلها مباشرة إلى أدلة تقبلها الجهات التنظيمية.

قد يجعل الذكاء الاصطناعي التوليدي قطاع الأدوية يصل إلى بعض الإجابات بسرعة أكبر، وقد يكشف أيضا الافتراضات الخاطئة بسرعة أكبر. وربما تكمن قيمته الأكبر لا في استبدال الحكم العلمي، بل في ضغط البيانات المعقدة وتحويلها إلى أسئلة أكثر قابلية للاختبار. وعندما تضع شركات الأدوية الذكاء الاصطناعي داخل مسار البحث والتطوير، فإن خط الفصل الحقيقي لا يكمن في مدى تقدم الشعار، بل في ما إذا كان يمكن لكل توصية أن تتلقاها التجارب والإجراءات السريرية والتنظيمية طبقة بعد أخرى.