Vivodyne: جایگزینی مدل‌های حیوانی با بزرگ‌ترین مرکز داده انسانی

تصور کنید دارویی می‌سازید که سرطان را در موش‌ها به‌طور کامل درمان می‌کند، اما وقتی نوبت به انسان می‌رسد، هیچ اثری ندارد. این شکاف مرگبار میان مدل‌های حیوانی و بیولوژی انسان، همان جایی است که Vivodyne قصد دارد با ساخت بزرگ‌ترین «مرکز داده انسانی» جهان در حومه سان‌فرانسیسکو، آن را پر کند. این مرکز داده که هفته گذشته افتتاح شد، تلاشی است برای حل یکی از قدیمی‌ترین معماهای پزشکی: چرا مدل‌های هوش مصنوعی که در محیط‌های آزمایشگاهی موفق هستند، در بدن انسان شکست می‌خورند؟

آندره ژورجسکو (Andrei Georgescu)، مدیرعامل و هم‌بنیان‌گذار این شرکت که دکتری مهندسی زیست‌پزشکی را از دانشگاه پنسیلوانیا دریافت کرده است، معتقد است صنعت کشف دارو با یک بحران داده‌ای بنیادین روبروست. به باور او، مدل‌های فعلی فاقد داده‌های لازم برای درک پیچیدگی‌های واقعی بدن انسان هستند و این حوزه به یک «سنجش واقع‌بینانه» (Sanity Check) نیاز دارد تا ادعاهای نظری به نتایج عملی تبدیل شوند.

طبق گزارش‌های منتشر شده، صنعت کشف دارو سال‌هاست که به تصاویر ایستا از سلول‌ها، پروتئین‌ها یا آزمایش روی حیوانات تکیه کرده است. این رویکرد باعث ایجاد شکافی عظیم شده است؛ به‌طوری که ۹۰٪ داروهایی که در آزمایش‌های حیوانی موفق بوده‌اند و وارد مراحل کارآزمایی بالینی می‌شوند، در نهایت موفق به دریافت تأییدیه نظارتی برای استفاده در انسان نمی‌شوند. این چالش‌ها یادآور شکاف عمیق میان وعده‌های هوش مصنوعی و واقعیت‌های بالینی در تشخیص سرطان سینه است که نشان می‌دهد ابزارهای دیجیتال لزوماً در محیط‌های واقعی پزشکی کارآمد نیستند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های داده‌های سنتتیک اشاره کردیم، کیفیت ورودی تعیین‌کننده خروجی است. ژورجسکو به مطالعه‌ای در مجله Nature Methods اشاره می‌کند که ماه گذشته منتشر شد و نشان داد مدل‌های هوش مصنوعی زاینده (Generative AI) — شبیه نقاشی‌گری که فقط عکس‌های ثابت را دیده و نمی‌داند اشیا چطور حرکت می‌کنند — وقتی روی داده‌های سلولی ایستا آموزش می‌بینند، هیچ قانون مقیاس‌پذیری (Scaling Laws) را دنبال نمی‌کنند. او توضیح می‌دهد که آموزش‌های فعلی بر اساس عکس‌های ثابت است؛ جایی که مدل‌ها یاد می‌گیرند «این حالت سلولی A است» و «این حالت سلولی B است»، اما هرگز نمی‌فهمند که «حالت B در واقع اثرِ ایجاد التهاب در حالت A است».

برای حل این مشکل، Vivodyne سامانه HIVE را توسعه داده است؛ آزمایشگاه‌های رباتیک مدولاری که ۲۰ نوع مختلف از بافت‌های انسانی را به‌طور خودکار پرورش داده و نظارت می‌کنند. برخلاف مجموعه‌داده‌های سنتی، HIVE داده‌های بیولوژیکی «علّی» (Causal Data) تولید می‌کند. این سیستم به‌جای نمایش یک عکس ثابت از سلول در «حالت A» یا «حالت B»، صدها هزار آزمایش جاری را ردیابی می‌کند که در آن بافت‌های بیمار در معرض یک محرک قرار می‌گیرند. این فرآیند، یادگیری تقویتی (Reinforcement Learning) لازم را فراهم می‌کند تا هوش مصنوعی بتواند مسیرهای پیچیده و پویا در بیولوژی انسان را درک کند.

بر اساس مستندات این شرکت، بافت‌های سنتتیک آن‌ها شباهت خیره‌کننده‌ای به رفتار ارگان‌های واقعی انسان دارند و معیارهای عملکردی آن‌ها به شرح زیر است:

• سلول‌های کبد: دقت پیش‌بینی ۹۴٪ در مقایسه با آزمایش‌های انسانی که سمیت دارو را می‌سنجند.
• بافت‌های مجاری تنفسی: تطابق ۹۶٪ با رفتار بافت واقعی انسان.
• مغز استخوان: تطابق ۱۰۰٪ در آزمایش‌های مربوط به ۲۰ داروی مختلف شیمی‌درمانی.

ژورجسکو اشاره می‌کند که توان عملیاتی (Throughput) این شرکت در حال حاضر دو برابر تمام آزمایش‌های حیوانی است که در کل ایالات متحده در حال برگزاری است. این استارتاپ برای گسترش این زیرساخت عظیم، در دو دور جذب سرمایه به رهبری Khosla Ventures، در مجموع مبلغی نزدیک به ۸۰ میلیون دلار جذب کرده است.

این رویکرد پاسخی به تردیدهای فزاینده در میان رهبران صنعت است. داریو آمودئی (Dario Amodei)، مدیرعامل Anthropic، اخیراً در نوشته‌ای اشاره کرد که ادعاهای مربوط به درمان سرطان توسط هوش مصنوعی، اکنون بیشتر به یک کلیشه تبدیل شده‌اند تا یک واقعیت قابل استناد. او صراحتاً بیان کرد که «تنها چیزی که واقعاً کار می‌کند، درمان واقعی سرطان است»، نه ادعاهای پیرامون آن. این دیدگاه انتقادی آمودئی در تضاد با برخی تلاش‌های نوآورانه مانند واکسن‌های شخصی‌سازی‌شده Gamgee است که سعی دارند مسیر درمان سرطان را از طریق رویکردهای هدفمند تغییر دهند.

این یک چرخش لحن در صنعت است؛ چرا که پیش‌تر آمودئی و حتی سم آلتمن از OpenAI، درمان سرطان را توجیهی برای پیشروی به سمت AGI (هوش مصنوعی عمومی) و ساخت مراکز محاسباتی عظیم می‌دانستند. به همین ترتیب، دمیس هاسابیس از گوگل دیپ‌مایند سال گذشته گفته بود که هوش مصنوعی پتانسیل این را دارد که تمام بیماری‌ها را ظرف یک دهه درمان کند.

با این حال، نتایج واقعی هنوز ضعیف و ناامیدکننده است. در حالی که تعداد کمی از داروهای طراحی‌شده توسط AI به مراحل انسانی رسیده‌اند — که یکی از آن‌ها به فاز III رسیده است — اما موانع پیش رو همیشه از نوعی نیستند که هوش مصنوعی بتواند آن‌ها را حل کند. حتی مدل تحسین‌شده و برنده جایزه نوبل، Alphafold، هنوز نتوانسته است یک داروی جدید تولید کند. شرکت Isomorphic Labs که برای توسعه دستاوردهای Alphafold تأسیس شد، اکنون اولین آزمایش‌های خود را برای پایان سال جاری میلادی پیش‌بینی می‌کند، در حالی که برنامه اولیه برای سال ۲۰۲۵ بود. این شرکت در فوریه خاطرنشان کرد که کشف واقعی نیازمند «مدل‌های پیش‌بینی بسیار دقیق در طیف گسترده‌ای از ویژگی‌های بیوشیمیایی و تعاملات» است.

ژورجسکو وضعیت فعلی کشف دارو را به صنعت خودرو تشبیه می‌کند و آن را مدل «تست تصادف» (Crash Test) می‌نامد: یک خودروساز معمولاً قبل از تست نهایی، اطمینان دارد که ماشین استانداردهای ایمنی NHTSA را پاس می‌کند، اما داروسازان هنگام ورود به آزمایش‌های انسانی چنین اطمینانی ندارند.

در حال حاضر، شرکت‌های داروسازی وارد آزمایش‌های بالینی می‌شوند — که معمولاً ده‌ها میلیون دلار هزینه می‌برد — در حالی که قطعیت بسیار کمی دارند و اکثریت قریب به اتفاق این داروها موفق به دریافت تأییدیه FDA نمی‌شوند. Vivodyne قصد دارد با همکاری چندین شرکت بزرگ داروسازی، به عنوان یک «فیلتر» عمل کند تا شکست‌ها را پیش از شروع مرحله گران‌قیمت انسانی حذف کند.

در نهایت، بحث بر سر «فضای جست‌وجو» (Search Space) است. اگر دانشمندان به دنبال درمان‌های ترکیبی باشند که چندین مسیر بیولوژیکی را به‌طور همزمان هدف قرار دهند — برخلاف اکثر داروهای موجود امروز — تعداد احتمالات به‌طور انفجاری زیاد می‌شود. ژورجسکو استدلال می‌کند که روش‌های آزمون و خطای سنتی و تجربی نمی‌توانند این مقیاس عظیم را مدیریت کنند. برای یافتن علت درست برای یک اثر مطلوب، صنعت باید ابتدا «علّیت» را در بیولوژی انسان تثبیت کند.

گام بعدی شما

• دنبال کنید که آیا Isomorphic Labs تا پایان سال جاری می‌تواند اولین داروی طراحی‌شده توسط AI را به مرحله آزمایش انسانی برساند یا خیر.
• بررسی کنید که چگونه داده‌های علّی (Causal Data) می‌توانند نرخ شکست در مراحل بالینی داروهای بیوتکنولوژی را کاهش دهند.
• تحلیل‌های مربوط به جایگزینی مدل‌های حیوانی با Organ-on-a-chip را دنبال کنید.

اما داستان سخت‌افزاری این تحول و نقش رباتیک در تولید داده‌های زیستی حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی زیرساخت‌های اتوماسیون در آزمایشگاه‌های مدرن مراجعه کنید.