چگونه هوش مصنوعی در زیست‌شناسی دنیای پزشکی را تغییر می‌دهد؟

ویجای پانده، سرمایه‌گذار پیشرو، از تحول بزرگ زیست‌شناسی به مهندسی و نقش حیاتی هوش مصنوعی در زیست‌شناسی برای خلق داروهای شخصی‌سازی‌شده می‌گوید.

زمانی بود که ویجای پانده در محافل دانشگاهی بیشتر شناخته‌شده بود تا در دنیای سرمایه‌گذاری. اما حدود ۱۲ سال پیش، همه چیز ناگهان تغییر کرد؛ یعنی زمانی که مارک اندرسن و بن هوروویتز — که پنج سال نخست فعالیت شرکت خود را صرفا با دوری از حوزه‌های سلامت و علوم زیستی سپری کرده بودند — تصمیم گرفتند این حوزه ارزش سرمایه‌گذاری دارد و مسئولیت مدیریت آن را به پانده سپردند. او در آن زمان استاد شیمی استنفورد بود و بیشتر به دلیل ساخت Folding@home شناخته می‌شد؛ پروژه‌ای مبتنی بر محاسبات توزیع‌شده (distributed computing) که میلیون‌ها رایانه شخصی در خانه‌ها را به یک ابررایانه برای تحقیقات بیماری‌ها تبدیل کرد. طی بیش از یک دهه پس از آن، او توانست بخش مربوط به این حوزه در a16z را به مدیریت سبدی نزدیک به ۴ میلیارد دلار برساند.

بنابراین، وقتی در ژوئن سال گذشته پانده آن جایگاه و اعتبار را رها کرد تا فعالیت خود را در مقیاسی بسیار کوچک‌تر آغاز کند، موضوعی غیرمنتظره به نظر می‌رسید. در واقع، شرکت جدید او یعنی VZVC که با همکاری سرمایه‌گذار قدیمی، زک ورنر، تأسیس شده است، برخلاف مدل‌های سنتی، به‌جای انجام ده‌ها معامله، بر تعداد محدودی از سرمایه‌گذاری‌ها در هر سال تمرکز می‌کند. این شرکت فاقد تیم دستیار (associates) است و برای عملیات روزمره خود به‌شدت به هوش مصنوعی وابسته است.

برای درک بهتر تغییر مسیر استراتژیک پانده (Pivot)، این هفته با او گفتگو کردیم تا بدانیم چرا در بازار فعلی، به‌جای توزیع پراکنده سرمایه، تنها بر چند مورد متمرکز شده است. همچنین درباره یکی از چالش‌های جالب در حوزه زیست‌فناوری (biotech) مبتنی بر هوش مصنوعی صحبت کردیم: برخلاف داده‌های متنی، نمی‌توان به‌سادگی اطلاعات بیولوژیکی را از اینترنت استخراج (scrape) کرد؛ به همین دلیل تقریبا هر شرکتی ناچار است مجموعه‌داده‌های اختصاصی و انحصاری خود را بسازد. این موضوع چه معنایی برای پیشرفت‌های وعده‌داده‌شده‌ی هوش مصنوعی در پزشکی دارد و در نهایت، چه کسانی به این دستاوردها دسترسی خواهند داشت؟

(این گفتگو جهت کوتاهی و وضوح بیشتر ویرایش شده است.)

شما گفته‌اید که زیست‌شناسی در حال گذار از یک «علم مبتنی بر کشف» به چیزی است که می‌توان آن را مهندسی کرد. این دقیقا به چه معناست؟

در مسیر توسعه داروها، تا پیش از این، جنبه‌ی زیادی از کار مبتنی بر شانس و تصادف بود. فکر می‌کنم تغییر اصلی اینجاست که هوش مصنوعی و یادگیری ماشین (machine learning) به کامپیوترها اجازه می‌دهند درک خود را بر مفاهیم بسیار پیچیده اعمال کنند. آن‌ها می‌توانند بفهمند داروهای شما باید چه اهدافی (targets) را برای بیماری‌های خاص دنبال کنند، چگونه آن داروها را بسازند و حتی در مراحل آزمایش‌های بالینی (clinical trials) که گران‌ترین بخش این فرآیند است، کمک کنند.

من فکر می‌کردم هزینه‌ی آزمایش‌های بالینی در حال کاهش است، چون توسعه‌دهندگان دارو از داده‌های مصنوعی (synthetic data) بیشتری استفاده می‌کنند و بنابراین به افراد کمتری برای این آزمایش‌ها نیاز است.

فکر می‌کنم این موضوع فعلا بیشتر شبیه به یک آرمان است. اگرچه هزینه و زمان رسیدن به مرحله‌ی آزمایش‌های بالینی، به‌ویژه با کمک هوش مصنوعی، در حال کاهش است، اما اجرای یک آزمایش همچنان می‌تواند صدها میلیون دلار هزینه داشته باشد و دلیل اصلی گران بودن داروها نیز همین است. احتمال موفقیت یک دارو از اولین آزمایش تا پایان سومین آزمایش تنها ۲۰ درصد است. وقتی از هر ۱۰ مورد، ۸ مورد شکست می‌خورند و هر کدام صدها میلیون دلار هزینه داشته‌اند، هزینه‌ی نهایی (با احتساب شکست‌ها) بسیار بالا می‌رود. دلیل اصلی این شکست‌ها معمولا اشتباه بیولوژیست‌ها نیست؛ بلکه مسئله اینجاست که تمام آزمایش‌هایی که این داروها بر اساس آن‌ها طراحی شده‌اند، روی مدل‌های حیوانی مانند موش انجام شده‌اند و در نهایت، مدل‌های حیوانی نمی‌توانند رفتار انسان را به‌درستی پیش‌بینی کنند. مدل هوش مصنوعی قرار نیست بی‌نقص باشد، اما قطعا بسیار بهتر از هر مدل حیوانی عمل خواهد کرد و وقتی از این سد عبور کند، ماجرا واقعا هیجان‌انگیز می‌شود.

[مرحله‌ی بعدی این است که]: آیا این دارو برای «من» مناسب است؟

منظورتان پزشکی شخصی‌سازی‌شده (personalized medicine) است…

اصطلاح تخصصی در اینجا چیزی است که به آن «پزشکی دقیق» (Precision Medicine) می‌گویند. اگر با مشکلی غیر از موارد ساده پیش پزشک بروید، آن‌ها مجبورند حدس بزنند که واقعا چه اتفاقی در حال رخ دادن است، زیرا اطلاعات محدودی در اختیار دارند. سپس دارویی تجویز می‌کنند و اگر اثر نکرد، داروی دیگری می‌دهند و باز هم داروهای دیگر. این روند در درمان سرطان و بسیاری از حوزه‌های دیگر تکرار می‌شود. اگر اولین دارو همان داروی درست باشد، همه ما وضعیت بسیار بهتری خواهیم داشت. معمولا مقادیر آزمایش خون شما با میانگین‌های جمعیتی مقایسه می‌شود؛ اما در واقعیت، این مقادیر باید با خود فرد مقایسه شوند: آیا این [نتیجه] برای «شما» غیرعادی است؟ آنچه ما اکنون در بخش پزشکی نیز در حال انجام آن هستیم، توانایی درک این موضوع است که دقیقا چه چیزی برای هر فرد به‌صورت مجزا مناسب خواهد بود.

آیا فرآیند رسیدن به این مرحله را تدریجی می‌بینید یا اینکه اخیرا شتاب زیادی گرفته است؟

فکر می‌کنم ترکیبی از عوامل مختلف [در حال هم‌افزایی] هستند. برای مثال، پزشکی دقیق برای مدت‌های طولانی بر پایه علم ژنومیک (Genomics) بود. اما واقعیت این است که ژنوم شما چیزی شبیه به نقشه‌ی اولیه خانه‌تان در روز اول ساخت است، در حالی که وضعیت خانه اکنون نسبت به لحظه‌ی بنا شدن بسیار متفاوت است. بنابراین، امروزه موارد بسیار دیگری وجود دارد که مردم می‌توانند در حوزه‌هایی مانند پروتئومیکس (Proteomics – مطالعه پروتئین‌ها) و غیره اندازه‌گیری کنند که برای درک وضعیت فعلی بیماری و وضعیت بدن شما بسیار مرتبط‌تر هستند. همچنین اتوماسیون گسترده‌ای در اندازه‌گیری‌های رباتیک صورت گرفته است که به‌طور طبیعی با هوش مصنوعی گره خورده و این دو حوزه بسیار خوب با یکدیگر همسو شده‌اند.

طی دهه گذشته، شاهد رشد مستمر و سریعی در هر دو حوزه «هوش مصنوعی برای زیست‌شناسی» و «هوش مصنوعی برای شیمی» بوده‌ایم. بخش زیست‌شناسی به این معناست که چگونه می‌توانیم این بیماری را درمان کنیم؟ و سپس بخش شیمی به این می‌پردازد که چگونه می‌توانیم دارویی برای هدف قرار دادن آن پروتئین خاص طراحی کنیم؟ در واقع طی این ۱۰ سال، پیشرفت‌های بسیار چشمگیری حاصل شده است.

چالش‌های دسترسی به داده‌ها و نقش هوش مصنوعی در زیست‌شناسی

شما اشاره کردید که در حوزه هوش مصنوعی در زیست‌شناسی، برخلاف داده‌های متنی، نمی‌توان به‌سادگی اطلاعات بیولوژیکی را از اینترنت استخراج (Scrape) کرد. این موضوع چه معنایی برای روند توسعه این حوزه دارد؟

در این حوزه، دسترسی به داده‌های یکسان وجود ندارد تا مدل‌ها بر پایه‌ی آن‌ها آموزش ببینند؛ همچنین داده‌های شما نمی‌تواند از یک مدل به مدل دیگر تقطیر یا منتقل شود. این موضوع از منظر خالص هوش مصنوعی، بازی بسیار جالبی است.

اما آیا این موضوع بازتاب‌دهنده مشکلی آشنا در پزشکی نیست؛ یعنی پزشکانی که در ساختارهای منزوی (Silos) فعالیت می‌کنند؟

شما به نکته بسیار مهمی اشاره کردید. فرض کنید فردی دچار نوعی سرطان شده باشد که هم یک مسئله در حوزه آنکولوژی (Oncology – سرطان‌شناسی) است و هم در حوزه اندوکرینولوژی (Endocrinology – غدد درون‌ریز)؛ این دو پزشک معمولا هماهنگی چندانی با هم ندارند. آنچه در مورد هوش مصنوعی بسیار جذاب است، این است که در اصل می‌تواند در همه زمینه‌ها متخصص باشد و بتواند چیزهایی را ببیند که هیچ انسان واحدی قادر به دیدن آن‌ها نیست. این کار معادل داشتن تیمی از بهترین پزشکان خواهد بود که همگی در آن لحظه با هم همکاری می‌کنند.

اما آیا…