اتحاد غول داروسازی و پادشاه AI: آینده کشف دارو

اتحاد غول داروسازی و پادشاه هوش مصنوعی؛ آینده کشف دارو متحول می‌شود

در نقطه‌ای تاریخی از تعامل میان فناوری و پزشکی، شرکت داروسازی الی لیلی (Eli Lilly) و کمپانی انویدیا (NVIDIA)، غول دنیای پردازش‌های هوش مصنوعی، وارد همکاری بزرگی شده‌اند. این اتحاد استراتژیک که بر پایه قدرت محاسباتی عظیم و الگوریتم‌های پیشرفته یادگیری عمیق بنا شده است، هدف اصلی را بر تسریع بی‌سابقه در فرآیند کشف و توسعه داروها متمرکز کرده است؛ به‌طوری که داروهای جدید با هزینه کمتر و زمان کوتاه‌تر به بیماران سراسر جهان برسند.

این همکاری نمایانگر یک تغییر پارادایم در صنعت علوم زیستی است، جایی که پیش از این، فرآیند کشف دارو عمدتاً بر آزمایش‌های فیزیکی و مدل‌های سنتی متکی بود. اکنون، با ادغام قدرت محاسباتی انویدیا در زیرساخت‌های تحقیقاتی لیلی، مسیر دستیابی به درمان‌های جدید به شدت کوتاه شده است.

هوش مصنوعی، از ابزار جانبی تا همکار علمی واقعی در داروسازی

این گام بزرگ، نقطه عطفی در مسیر تحول صنعت داروسازی محسوب می‌شود. دیگر صحبت از «ابزار کمکی هوش مصنوعی» نیست؛ بلکه AI در حال تبدیل شدن به همکار علمی کلیدی در کشف ترکیبات دارویی و پیش‌بینی اثرگذاری آن‌هاست.

زیرساخت‌های محاسباتی: سوپرکامپیوتر DGX SuperPOD

هسته اصلی این همکاری، استقرار و بهره‌برداری از یک سوپرکامپیوتر پیشرفته در مرکز تحقیقات لیلی است که با استفاده از سیستم‌های قدرتمند DGX SuperPOD شرکت انویدیا ساخته شده است. این معماری محاسباتی، که بر پایه هزاران واحد پردازش گرافیکی (GPU) پیشرفته انویدیا بنا شده است، توانایی پردازش و آموزش مدل‌های هوش مصنوعی بر روی حجم عظیمی از داده‌های بیولوژیکی و شیمیایی را فراهم می‌آورد.

توان پردازشی:

این سوپرکامپیوتر قادر است شبیه‌سازی‌هایی را اجرا کند که پیش از این سال‌ها به طول می‌انجامید. این شامل مدل‌سازی دقیق برهم‌کنش‌های مولکولی، پیش‌بینی سمیت و ارزیابی پتانسیل اثربخشی هزاران ترکیب شیمیایی به صورت موازی است.

به طور خاص، این سیستم به لیلی امکان می‌دهد تا مدل‌های یادگیری عمیق را برای حل مسائلی پیچیده مانند:

1. پیش‌بینی ساختار پروتئین‌ها: با استفاده از مدل‌هایی مشابه AlphaFold (اما تخصصی‌تر برای نیازهای دارویی) که بر روی داده‌های اختصاصی لیلی آموزش دیده‌اند.
2. طراحی مولکول‌های De Novo: استفاده از شبکه‌های مولد تخاصمی (GANs) برای خلق ترکیبات شیمیایی جدید با خواص مطلوب.
3. شناسایی اهداف دارویی جدید (Target Identification): تحلیل داده‌های ژنومیک، پروتئومیک و ترانس‌کریپتومیک در مقیاس بزرگ.

این توان پردازشی عظیم، به دانشمندان کمک می‌کند تا دامنه جست‌وجوی داروهای بالقوه را به شکل چشمگیر گسترش دهند و چرخه‌های توسعه را کوتاه‌تر کنند. این امر منجر به کاهش تعداد آزمایش‌های in vitro و in vivo غیرضروری می‌شود.

پلتفرم هوش مصنوعی Lilly TuneLab؛ همکاری بدون نقض حریم خصوصی

یکی از جنبه‌های نوآورانه این طرح، معرفی و گسترش پلتفرم Lilly TuneLab است. این پلتفرم به عنوان یک محیط محاسباتی ابری مبتنی بر زیرساخت انویدیا طراحی شده است تا بتواند بخشی از مدل‌های اختصاصی هوش مصنوعی لیلی را در اختیار شرکت‌های بیوتکنولوژی کوچک‌تر و شرکای آکادمیک قرار دهد.

امنیت داده‌ها با یادگیری فدرال (Federated Learning)

نکته برجسته این پلتفرم، استفاده از مدل فدرال (Federated Model) است؛ رویکردی که اجازه می‌دهد شرکت‌های کوچک‌تر از قدرت یادگیری مدل‌های مبتنی بر داده‌های تحقیقاتی لیلی بهره‌مند شوند، بدون آنکه اطلاعات محرمانه و مالکیت فکری (IP) هیچ طرفی فاش شود.

نحوه عملکرد یادگیری فدرال در TuneLab:

در یک محیط یادگیری فدرال، به جای ارسال داده‌های خام به یک سرور مرکزی برای آموزش مدل، مدل به محل ذخیره‌سازی داده‌ها (مثلاً سرور شرکت بیوتک همکار) فرستاده می‌شود. مدل در آنجا با استفاده از داده‌های محلی آموزش می‌بیند و تنها به‌روزرسانی‌های وزنی (Weight Updates) مدل به سرور مرکزی لیلی بازگردانده می‌شوند.

فرمول کلی آموزش در یادگیری فدرال به صورت تکراری است:

1. توزیع: سرور مرکزی مدل M_tرا به مجموعه‌ای از کلاینت‌ها C_k ارسال می‌کند.
2. محاسبه محلی: هر کلاینت مدل را با مجموعه داده محلی خود به‌روز می‌کند و یک مدل محلی تولید می‌کند.
3. تجمیع: سرور مرکزی به‌روزرسانی‌های دریافتی را برای تولید مدل جهانی جدید  تجمیع می‌کند (معمولاً با استفاده از میانگین‌گیری وزنی بر اساس سهم .

این رویکرد امکان هم‌افزایی دانش را فراهم می‌آورد، در حالی که اصل محرمانگی داده‌های حساس تحقیقاتی حفظ می‌شود. این امر ریسک‌های امنیتی و تجاری مرتبط با اشتراک‌گذاری مستقیم داده‌های خام را به شدت کاهش می‌دهد.

کاربردهای فراتر از کشف دارو

به گفته‌ی مدیران لیلی، کارکرد این سوپرکامپیوتر تنها به مرحله کشف مولکول‌های جدید محدود نیست. این فناوری می‌تواند در چندین حوزه استراتژیک دیگر نیز مورد استفاده قرار گیرد:

۱. تولید و بهینه‌سازی فرآیندهای بیوفارماسیوتیکال

شبیه‌سازی‌های دقیق مبتنی بر هوش مصنوعی می‌توانند شرایط بهینه برای بیوراکتورها، فرآیندهای خالص‌سازی و مقیاس‌پذیری تولید را پیش‌بینی کنند. این به کاهش ضایعات مواد اولیه و بهبود بازدهی تولید داروهای پیچیده بیولوژیک کمک می‌کند.

۲. تصویربرداری پزشکی و تشخیص

استفاده از شبکه‌های عصبی پیچیده (مانند شبکه‌های کانولوشنی پیشرفته) برای تحلیل تصاویر پزشکی (MRI، CT Scan) با دقت بالاتر از حد توانایی چشم انسان، برای تشخیص زودهنگام بیماری‌ها و نظارت بر اثربخشی درمان.

۳. تحلیل داده‌های زیستی در مقیاس ژنومیک

پردازش داده‌های حاصل از پروژه‌های توالی‌یابی ژنومی در بیماران، به منظور شناسایی بیومارکرهای جدید و توسعه داروهای کاملاً شخصی‌سازی شده (Precision Medicine).

۴. بهره‌وری سازمانی با عوامل هوش مصنوعی شرکتی (Enterprise AI Agents)

این فناوری همچنین در راستای بهینه‌سازی عملیات داخلی لیلی به کار گرفته می‌شود. عوامل هوش مصنوعی شرکتی (Enterprise AI Agents) می‌توانند برای خودکارسازی فرآیندهای اداری، مدیریت زنجیره تأمین دارو و تخصیص منابع در پروژه‌های تحقیق و توسعه به کار روند.

«توماس فوکس»، معاون ارشد و مدیر ارشد هوش مصنوعی لیلی، در این‌باره گفت: «ما در لیلی در حال گذار از استفاده از هوش مصنوعی به عنوان ابزار، به پذیرش آن به عنوان شریک علمی هستیم. انویدیا سکوی پرتابی است که این جهش را ممکن می‌سازد. دیگر این یک ابزار نیست؛ این یک همکار است که می‌تواند فرضیات ما را زیر سؤال ببرد و مسیرهای جدیدی را پیش روی ما بگشاید که بدون محاسبات عظیم غیرقابل کشف بودند.»

هم‌سویی با سیاست‌های جهانی و آینده صنعت داروسازی

این موج نو از فناوری، هم‌راستا با اهداف اداره غذا و داروی آمریکا (FDA) برای کاهش وابستگی به تست‌های حیوانی در مراحل توسعه داروست. مدل‌سازی in silico که توسط سوپرکامپیوتر لیلی پشتیبانی می‌شود، می‌تواند جایگزین قابل اعتمادی برای بسیاری از مراحل آزمایش‌های اولیه شود، که این امر نه تنها اخلاقی‌تر است، بلکه به شدت در زمان صرفه‌جویی می‌کند.

تأثیرات اقتصادی و تحقیقاتی

انتظار می‌رود نتایج این همکاری، موجب کاهش چشمگیر هزینه‌های تحقیق و توسعه (R&D)، افزایش سرعت عرضه داروها و ارتقای کیفیت درمان‌ها شود.

کاهش ریسک شکست: در فرآیند کشف دارو، بیش از ۹۰ درصد از ترکیبات کاندید در مراحل آزمایش‌های بالینی شکست می‌خورند. هوش مصنوعی با افزایش دقت پیش‌بینی در مراحل پیش از بالینی (مدل‌سازی برهم‌کنش مولکولی و سمیت)، ریسک شکست‌های پرهزینه را به میزان قابل توجهی کاهش می‌دهد.

اگر فرض کنیم هزینه متوسط توسعه یک داروی جدید (از کشف تا تأیید نهایی) به ۲.۵ میلیارد دلار برسد، هرگونه کاهش کوچک در نرخ شکست می‌تواند صرفه‌جویی‌های چند صد میلیون دلاری به همراه داشته باشد.

پیش‌بینی‌های بازار

تحلیلگران پیش‌بینی می‌کنند تا سال ۲۰۴۰، هزینه‌های تحقیق و توسعه مرتبط با هوش مصنوعی در داروسازی به ۳۰ تا ۴۰ میلیارد دلار برسد، که نشان‌دهنده پذیرش گسترده این فناوری توسط تمامی شرکت‌های بزرگ حوزه علوم زیستی خواهد بود. این اتحاد لیلی و انویدیا به عنوان یک الگوی اولیه برای این آینده دیجیتالی داروسازی عمل می‌کند.

جزئیات فنی مدل‌های مورد استفاده

برای درک بهتر عمق این همکاری، لازم است به انواع مدل‌هایی که در این معماری محاسباتی عظیم استفاده می‌شوند، اشاره شود:

۱. مدل‌های گراف عصبی (Graph Neural Networks – GNNs)

برای نمایش مولکول‌ها به عنوان گراف (اتم‌ها به عنوان گره و پیوندها به عنوان یال)، GNNها برای پیش‌بینی خواص شیمیایی و فیزیکی ترکیبات جدید بسیار کارآمد هستند. این مدل‌ها در TuneLab برای غربالگری میلیون‌ها مولکول مجازی در زمان کوتاه استفاده می‌شوند.

۲. مدل‌های مبتنی بر ترانسفورمر (Transformers)

شبیه به آنچه در پردازش زبان طبیعی (NLP) استفاده می‌شود، مدل‌های ترانسفورمر برای مدل‌سازی توالی‌های پروتئینی و اسیدهای نوکلئیک و پیش‌بینی ساختار فضایی آن‌ها به کار می‌روند. این امر نیازمند قدرت پردازشی عظیمی است که توسط تراشه‌های H100 انویدیا فراهم می‌شود.

۳. دینامیک مولکولی شتاب‌داده شده (Accelerated Molecular Dynamics)

شبیه‌سازی حرکت اتم‌ها و مولکول‌ها در طول زمان برای مشاهده نحوه اتصال دارو به هدف پروتئینی (Docking). این شبیه‌سازی‌ها با استفاده از تکنیک‌های شتاب‌دهنده GPU، می‌توانند میلیون‌ها پیکوثانیه شبیه‌سازی را در ساعات به جای هفته‌ها انجام دهند.

محاسبه انرژی پتانسیل (مدل‌سازی ساده شده):

انرژی برهم‌کنش در یک سیستم مولکولی اغلب با استفاده از توابع پتانسیل مانند پتانسیل لنارد-جونز (Lennard-Jones) برای نیروهای واندروالس و تعاملات الکترواستاتیک مدل می‌شود:

که در آن، مدل‌های هوش مصنوعی آموزش داده می‌شوند تا پارامترهای epsilon و sigma و بارهای  را در مقیاس‌های بزرگ‌تر به صورت دقیق‌تر و سریع‌تر تخمین بزنند تا این محاسبات سنگین بهینه‌سازی شوند.

نتیجه‌گیری: دوران محاسبات در علم پزشکی

اتحاد الی لیلی و انویدیا نه تنها یک قرارداد تجاری، بلکه یک بیانیه قدرتمند در مورد آینده علم است. با ترکیب تخصص داروسازی و قدرت محاسباتی پیشرفته، این شراکت در صدد کاهش درد و رنج انسانی از طریق ارائه سریع‌تر و مؤثرتر درمان‌ها است. ظهور پلتفرم‌هایی مانند Lilly TuneLab و استفاده از معماری‌های محاسباتی مانند DGX SuperPOD، نشان می‌دهد که مرزهای بین مهندسی، نرم‌افزار و کشف علمی در حال محو شدن هستند و این هم‌افزایی، دروازه‌ای به سوی عصر جدید پزشکی خواهد بود.