ليس استبدال الفئران بخوارزميات: إدارة الغذاء والدواء الأمريكية ترسم عتبة التحقق للمحاكاة الحيوية بالذكاء الاصطناعي

تتحول بدائل التجارب على الحيوانات من رؤية مختبرية إلى مسألة يتعين على مراجعة الأدوية التعامل معها مباشرة. فعندما تتمكن الخوارزميات من محاكاة استجابات الأعضاء، وتستطيع العضيات إعادة إنتاج بعض خصائص الأنسجة البشرية، لا تعود العقبة التالية مجرد «هل يمكن فعل ذلك؟»، بل ما إذا كانت هذه النتائج كافية لدعم انتقال دواء جديد إلى التجارب على البشر، بل وحتى لتصبح جزءًا من عملية اتخاذ القرارات التنظيمية.

استعرضت مجلة «Nature Biotechnology» ثلاثة مسارات تقنية آخذة في الالتقاء تدريجيًا. تسعى التوائم الرقمية إلى محاكاة تأثير الأدوية في عضو معين أو في جسم الإنسان باستخدام البيانات الفسيولوجية والنماذج الآلية؛ ويمكن للعلماء الافتراضيين متعددي الوكلاء تقاسم مهام طرح الفرضيات، وتصميم التحليلات، والتحقق من الاستدلالات؛ أما العضيات المعززة بالذكاء الاصطناعي فتجمع بين أنسجة بشرية المصدر ثلاثية الأبعاد وتحليل الصور والبيانات الجزيئية، بهدف التعرف إلى الأنماط الظاهرية للفعالية الدوائية أو السمية. وقد تساعد هذه الأدوات المطورين على استبعاد الأدوية المرشحة عالية المخاطر، ودراسة آليات العمل، واختيار الجرعات وخطط التجارب الأجدر بالانتقال إلى المرحلة السريرية.

لكن المحاكاة الجذابة لا تعادل دليلًا بيولوجيًا موثوقًا. فقد تكون التوائم الرقمية مقيدة بمدى تمثيل بيانات التدريب، وافتراضات النموذج، وأخطاء الاستقراء عبر المقاييس؛ ولا تستطيع العضيات عادةً إعادة بناء التفاعلات المناعية والأيضية والتفاعلات بين أعضاء متعددة بصورة كاملة؛ وحتى إن تمكنت الأنظمة متعددة الوكلاء من إنتاج خطة بحث تبدو مترابطة، فقد تضخم بصورة جماعية فرضيات خاطئة. وإذا أريد لهذه الأدوات أن تحل محل بيانات الحيوانات، لا أن تكتفي باستكمالها، فعليها إثبات قابلية النتائج لإعادة الإنتاج وقدرتها على التنبؤ بالاستجابات البشرية ذات الصلة بمسألة تنظيمية محددة.

تعمل مسودة المنهجية الجديدة التي نشرتها FDA في مارس على تحويل هذا المطلب إلى معايير محددة. وتشمل المسودة العضيات، والأعضاء على الرقائق، والمحاكاة الحاسوبية، وغيرها من الأساليب المختبرية أو الحاسوبية، وتقترح أربعة مبادئ للتحقق: تحديد سياق الاستخدام أولًا، وإثبات الصلة بالبيولوجيا البشرية، وإكمال تقييم الخصائص التقنية وقابلية إعادة الإنتاج، ثم التأكد أخيرًا من ملاءمة الأداة لدعم القرار التنظيمي المقصود. وبعبارة أخرى، لا يصبح النموذج نفسه صالحًا تلقائيًا لاستطباب آخر أو نقطة نهاية سمية أخرى أو نوع آخر من الأدوية لمجرد نجاحه سابقًا في مرض أو عضو معين.

بدأت البنية التحتية التنظيمية تتشكل أيضًا. فقد ذكرت FDA في تقريرها السنوي عن التقدم الصادر في أبريل أنها وسعت تقييم مجمل الأدلة الذي يجمع بين الاختبارات المختبرية وعلم السموم الحاسوبي، وأنشأت مسارات للمراجعة العلمية عبر المراكز ولتأهيل الأدوات المبتكرة، وأهلت أول أداة لتطوير الأدوية قائمة على الذكاء الاصطناعي. لكن تأهيل أداة واحدة لا يعني السماح لجميع نماذج الذكاء الاصطناعي بالمرور؛ ولا تزال FDA توصي المطورين بالتشاور مبكرًا مع قسم المراجعة المعني، لأن درجة القبول تعتمد على المرض، والعضو، ونقطة النهاية، والاستخدام الفعلي.

أظهرت أبحاث FDA المبكرة بالفعل إمكانات هذا المسار وحدوده. يستخدم AnimalGAN بيانات موجودة من التجارب على الحيوانات لتوليد بيانات اصطناعية لمواد كيميائية لم تُختبر؛ بينما يستخدم SafetAI التعلم العميق للتنبؤ بنقاط نهاية سمية تشمل إصابة الكبد الناجمة عن الأدوية. ويمكن لهذه الأنظمة إعادة استخدام كميات هائلة من البيانات التاريخية، لكنها قد ترث أيضًا تحيزات البيانات القديمة وثغراتها. ولذلك، لا تكمن نقطة التحول في المحاكاة الحيوية بالذكاء الاصطناعي في إعلان قرب اختفاء التجارب على الحيوانات، بل في القدرة على بناء أدلة تحقق، بندًا تلو الآخر، تكون قابلة للتتبع والمقارنة وملائمة للغرض، بما يحول ادعاء «الأقرب إلى الإنسان» من طرح تقني إلى حقيقة علمية قابلة للمراجعة.