→ العودة إلى الصفحة الرئيسية

حين تدخل القدرة الحاسوبية إلى مختبر الأدوية: بريستول مايرز سكويب تراهن على جيل جديد من الحواسيب الفائقة للذكاء الاصطناعي

ستجمع ثمانية أنظمة Vera Rubin تصميم الجزيئات وتقييم الأهداف وتدريب النماذج ضمن بيئة حوسبة واحدة؛ لكن اتساع نطاق البحث عن الأدوية المرشحة لا يعني بالضرورة ارتفاع معدل النجاح السريري.

By SURL BioNews

غالبًا ما لا تتمثل العقبة في تطوير الأدوية في نقص الجزيئات القابلة للاختبار، بل في كيفية انتقاء العدد القليل من المركبات المرشحة الأكثر جدارة بالانتقال إلى المختبر من بين خيارات تكاد تكون بلا حدود. وتراهن بريستول مايرز سكويب (Bristol Myers Squibb، BMS) الآن على أن جزءًا من الإجابة يكمن في الحوسبة الأوسع نطاقًا؛ إذ ستنشر الشركة نظام NVIDIA DGX SuperPOD ثانيًا، في محاولة لتحويل الذكاء الاصطناعي من أداة بحثية منفردة إلى بنية تحتية مشتركة تربط مراحل عملية اكتشاف الأدوية.

يتألف النظام الجديد من ثمانية أنظمة DGX Vera Rubin NVL72، وسيُدمج مع نظام SuperPOD القائم لدى BMS لتكوين بيئة موحدة يمكن لمواقع الأبحاث في مختلف المناطق استخدامها. ووفقًا للشركتين، قد يصل أداء هذه البنية لكل مليون واط إلى 10 أضعاف أداء المعدات التي ستحل محلها، ما يتيح لها تشغيل نماذج تأسيسية أكبر في الطب الحيوي، ومهام تنبؤية، ومسارات عمل لوكلاء الذكاء الاصطناعي، من دون زيادة استهلاك الطاقة بالنسبة نفسها. وهذا ادعاء بشأن أداء البنية يقدمه المورّد والجهة المشترية، وليس بعدُ نتيجة مقارنة لمخرجات تطوير الأدوية.

تتركز الاستخدامات المحددة في المراحل الأولى من قرارات البحث والتطوير. وتخطط BMS لتدريب نماذج خاصة بها باستخدام بيانات داخلية تراكمت على مدى عقود، والاستعانة عند الحاجة بأدوات NVIDIA BioNeMo، كي يساعد النظام في تنظيم الأدلة المتعلقة بالأهداف، والتنبؤ بخصائص الجزيئات، وتصميم البنى المرشحة، واختبار الفرضيات البحثية. ويعني نهج «Predict First» استخدام النماذج أولًا لاستبعاد التصاميم التي لا تستوفي عدة شروط، ثم تحديد الجزيئات التي تستحق التخليق والانتقال إلى التجارب الرطبة؛ كما يمكن لوكلاء الذكاء الاصطناعي تولّي عمليات البحث عبر قواعد بيانات متعددة والتحليلات المتكررة، بما يتيح للباحثين تخصيص وقتهم لتفسير النتائج والمفاضلة بين الخيارات التجريبية.

تقول BMS إن الذكاء الاصطناعي يُستخدم بالفعل في جميع برامج الجزيئات الصغيرة ومعظم برامج الجزيئات الكبيرة؛ وإن أتمتة تحديد الأهداف والتحقق منها يمكن أن توفر أسابيع من العمل اليدوي. ونقلت رويترز عن Robert Plenge، رئيس البحث والتطوير في الشركة، قوله إن الذكاء الاصطناعي يتيح للفرق تقييم عشرات الأدوية المرشحة في المراحل المبكرة بدلًا من نحو 10 في السابق، وإنه قلّص بالفعل مدة تطوير بعض الأدوية التي دخلت التجارب السريرية بنحو 20% إلى 30%. وتستند هذه الأرقام إلى خبرة الشركة الداخلية، فيما لم يقدم التقرير أساس الحساب أو مجموعة ضابطة أو عدد البرامج المشمولة أو بيانات تحقق خضعت لمراجعة الأقران.

ولا يمكن للقدرة الحاسوبية الأكبر أن تحل محل الأدلة البيولوجية والسريرية. تستطيع النماذج ترتيب الجزيئات، لكن لا يزال يتعين تأكيد الفاعلية والسمّية والفئات المناسبة للعلاج من خلال تجارب الخلايا والحيوانات والبشر؛ وإذا تضمنت بيانات التدريب تحيزات أو نواقص أو ظروفًا تجريبية غير قابلة للمقارنة، فقد تضخّم النماذج أيضًا الأخطاء القائمة. وعندما تدخل التحليلات التي ينتجها الذكاء الاصطناعي في اختيار الأدوية المرشحة وتطويرها سريريًا، يتعين على الشركات كذلك إنشاء آليات لتتبع مصادر البيانات، وإدارة إصدارات النماذج، وإعادة إنتاج النتائج، والمراجعة البشرية، حتى تتمكن من التعامل مع عمليات تدقيق الجودة والتفتيش التنظيمي.

يواصل هذا الاستثمار تعاون BMS وNVIDIA الممتد منذ قرابة ثلاث سنوات، ويعكس أيضًا اعتبار شركات الأدوية الكبرى قدراتها الحاسوبية الخاصة للذكاء الاصطناعي جزءًا من المنافسة في البحث والتطوير؛ فقد أعلنت Roche وإيلي ليلي مؤخرًا أيضًا عن خطط لبنية تحتية من NVIDIA. ومع ذلك، لم تكشف BMS عن قيمة المشتريات أو الجدول الزمني للإنشاء أو مؤشرات كمية لنجاح البحث والتطوير. ولا يكمن الاختبار الحقيقي في عدد التنبؤات التي يستطيع النظام توليدها، بل في ما إذا كان قادرًا، ضمن شروط قابلة للتدقيق، على استبعاد الفرضيات الخاطئة باستمرار وزيادة احتمال اجتياز الأدوية المرشحة النهائية للتحقق السريري.

References

  1. Bristol Myers Squibb
  2. NVIDIA Blog
  3. Reuters via Boursorama
  4. BioPharma Dive