تصور کنید تیمی از دانشمندان که ماه‌ها وقت خود را صرف جست‌وجوی تکه‌های پراکنده اطلاعات در مقالات علمی می‌کردند، حالا تمام این مسیر را در چند روز طی کنند. این دقیقاً همان تغییری است که Phylo با عرضه Target Atlas در ۲۹ سپتامبر ۲۰۲۶ ایجاد کرده است. این ابزار فرآیند طاقت‌فرسای جمع‌آوری شواهد را به یک جریان کاری مبتنی بر عامل‌های هوشمند (Agentic AI Workflow) تبدیل کرده است.
انتخاب اشتباه هدف بیولوژیکی یکی از گران‌ترین خطاهای ممکن در توسعه دارو است. انتخاب هدف یکی از اولین و کم‌هزینه‌ترین نقاطی است که می‌توان در آن یک برنامه دارویی را تغییر داد، اما در عین حال، اشتباه در این مرحله یکی از پرهزینه‌ترین خطاهاست. اکثر برنامه‌های دارویی در مراحل اولیه شکست می‌خورند؛ زیرا شواهد مربوط به ژنتیک، بیان ژنی، فعالیت‌های بالینی، ایمنی، قابلیت دسترسی (Tractability)، زیست‌نشانگرها، رقابت‌ها و ادبیات علمی در منابع مختلف پراکنده است و به‌سرعت تغییر می‌کند.
برای حل این مشکل، Phylo این ابزار را بر بستر Biomni Lab ساخت؛ محیطی یکپارچه برای زیست‌شناسی که شرکت‌هایی مثل Chugai Pharmaceutical و Ono Pharmaceutical از آن استفاده می‌کنند. Biomni Lab در واقع یک فضای کاری مشترک است که در آن دانشمندان با عامل‌های هوشمند (AI Agents) — شبیه دستیاران متخصصی که هر کدام مسئول یک بخش از کتابخانه هستند و سریعاً اطلاعات را برای شما جمع می‌کنند — در زمینه‌های پژوهش در ادبیات علمی، طراحی آزمایش، تحلیل داده‌های بیولوژیکی و تصمیم‌گیری‌های علمی همکاری می‌کنند.
سازوکار Target Atlas
این پلتفرم از صدها عامل هوشمند برای استخراج و ترکیب شواهد از پایگاه‌های داده، مقالات پژوهشی و مجموعه‌داده‌های مربوط به بیماری‌ها استفاده می‌کند. این عامل‌ها یک سابقه نسخه‌بندی‌شده (Versioned Record) ایجاد می‌کنند که هر یافته را مستقیماً به منبع اصلی‌اش متصل می‌کند تا قابلیت ردیابی کامل فراهم شود.
در این سیستم، مهارت‌های محاسباتی نسخه‌بندی‌شده، داده‌های خام را به داشبوردهای تعاملی و پروفایل‌های متصل به منبع تبدیل می‌کنند. هر یک از این پروفایل‌ها، منبع هر مورد، تاریخ استخراج، میزان پوشش داده‌ها و موارد مفقود (Missingness) را ثبت می‌کند. در حالی که هوش مصنوعی تحلیل‌های تکراری و سازگار را روی هزاران هدف انجام می‌دهد، دانشمندان انسانی کنترل نهایی را در دست دارند و تصمیم می‌گیرند کدام شواهد در رتبه‌بندی نهایی وزن بیشتری داشته باشند. تیم‌ها می‌توانند این وزن‌ها را تغییر دهند تا ببینند معیارهای خاص آن‌ها چگونه رتبه‌بندی اهداف را تغییر می‌دهد.
پژوهشگران می‌توانند شواهد پشت هر نتیجه را بازرسی کنند و از یک رابط چت برای کاوش در داده‌ها یا ویرایش نماهای خصوصی خود استفاده کنند. این ساختار باعث شده است فرآیند جمع‌آوری شواهد از ماه‌ها کار دستی توسط تیم‌های بزرگ دانشمندان به تنها چند روز کاهش یابد.
نسخه اختصاصی بیماری پارکینسون
نخستین نسخه تخصصی این ابزار با همکاری بنیاد مایکل جی. فاکس (MJFF) توسعه یافت. این نسخه چارچوب «اهداف تا درمان‌ها» (Targets to Therapies یا T2T) متعلق به این بنیاد را دیجیتالی می‌کند. این چارچوب از اوایل سال ۲۰۲۴ با نظرسنجی از جامعه علمی درباره امیدوارکننده‌ترین اهداف برای درمان پارکینسون آغاز شده بود.
جزئیات کلیدی این همکاری عبارت است از:
- ارزیابی بیش از ۲۹۰ هدف بیولوژیکی، که در نهایت ۲۱ مورد بر اساس امکان‌پذیری رفع گلوگاه‌ها در دو تا سه سال آینده نامزد شدند.
- ادغام متدولوژی منتشر شده توسط Vaiana و همکاران در مجله npj Parkinson’s Disease در سال ۲۰۲۵.
- تمرکز بر اهدافی که قادر به کند کردن یا تغییر روند پیشرفت بیماری هستند، مانند alpha-synuclein, GBA1 و LRRK2 که در حال حاضر درمان‌های آن‌ها در مراحل آزمایش بالینی قرار دارند.
- پشتیبانی از سه هسته علمی اصلی: اولویت‌بندی و انتخاب، اعتبارسنجی و توسعه ابزارها، و ایجاد یک پایگاه دانش عمومی.
گایا اسکیبینسکی، نایب‌رئیس و رئیس درمان‌های ترجمانی در MJFF، تأکید کرد که گسترش تعداد اهداف دارویی که به‌خوبی شناسایی شده و قابل هدف‌گذاری هستند، «بخش حیاتی از این پازل» است. این بنیاد هزینه‌های تیم‌های پژوهشی را برای اعتبارسنجی مکانیکی اهداف منتخب بر عهده می‌گیرد و تمام ابزارها و آموخته‌ها را به‌صورت رایگان از طریق پایگاه دانش مشترک در دسترس قرار می‌دهد.
دسترسی سازمانی و عمومی
نسخه عمومی Target Atlas برای کاربرانی که حساب Biomni دارند رایگان است و ویژگی‌هایی مانند نمودارهای ۲×۲ تعاملی و پروفایل‌های متصل به منبع را برای هزاران ارزیابی هدف-بیماری ارائه می‌دهد. این رویکرد در کنار سایر پیشرفت‌های تشخیص پزشکی، مانند مدل Damo Radar علی‌بابا که در تشخیص بیماری‌های شکمی از روی سی‌تی‌اسکن موفق عمل کرده است، نشان‌دهنده تسریع چشمگیر کاربرد هوش مصنوعی در پزشکی است.
برای سازمان‌های بزرگتر، نسخه سازمانی از طریق لایسنس سالانه برای استقرار تحت نظارت Biomni در دسترس است. این نسخه قابلیت‌های پیشرفته‌تری را پشتیبانی می‌کند:
- تحلیل بیش از ۲۰,۰۰۰ هدف برای هر بیماری منتخب.
- ادغام داده‌های اختصاصی و محرمانه شرکت‌ها (Proprietary Data).
- داشبوردهای جفت‌هدف (Target-pair dashboards).
- سیستم امتیازدهی مبتنی بر هوش مصنوعی و یادگیری ماشین (AI/ML-based scoring) — مثل آشپزی صنعتی که دستور پخت‌های پیچیده را در مقیاس انبوه و با دقت بالا اجرا می‌کند.
این رویکرد بر اساس داده‌های سخت صنعتی است. به نقل از تحلیل مجله Nature Biotechnology در سال ۲۰۱۴ توسط Hay و همکاران، تنها حدود یک از هر ده برنامه دارویی که وارد مرحله توسعه بالینی می‌شوند، موفق به دریافت تاییدیه نهایی می‌شوند. همچنین، مطالعه‌ای در سال ۲۰۲۴ در مجله Nature توسط Minikel و همکاران نشان داد مکانیسم‌هایی که دارای پشتیبانی ژنتیکی انسانی هستند، ۲.۶ برابر شانس موفقیت بیشتری از فاز ۱ تا تاییدیه نهایی دارند.
ککسین هوانگ، هم‌بنیان‌گذار و مدیرعامل Phylo، معتقد است با این تغییر به سمت اولویت‌بندی عامل‌محور، گلوگاه دیگر سرعت جمع‌آوری داده نیست، بلکه کیفیت قضاوت متخصصان است. او اشاره کرد که عامل‌ها می‌توانند شواهدی را در چند روز جمع‌آوری و امتیازدهی کنند که پردازش دستی آن‌ها برای یک جامعه علمی ماه‌ها زمان می‌برد، بدون اینکه جایگزین قضاوت متخصصی شوند که تصمیم می‌گیرد کدام شواهد اهمیت بیشتری دارند.
برای صنعت بیوتکنولوژی، این یعنی حرکت به سمت داشبوردهای «زنده» پژوهشی. به‌جای گزارش‌های استاتیکی که در لحظه انتشار قدیمی می‌شوند، Target Atlas جریانی به‌روز از شواهد را فراهم می‌کند که با انتشار مقالات جدید تکامل می‌یابد. Phylo قصد دارد نسخه عمومی را به تمام بیماری‌های اصلی گسترش دهد و در جست‌وجوی بنیادها و سازمان‌های بیمارانی است که اسپانسر نسخه‌های اختصاصی بیماری‌های دیگر شوند.
شرکت Phylo که در جنوب سان‌فرانسیسکو مستقر است، اخیراً ۱۳.۵ میلیون دلار سرمایه در مرحله Seed جذب کرد که Andreessen Horowitz و Menlo Ventures’ Anthology Fund رهبری این دور را بر عهده داشتند و Anthropic نیز در آن مشارکت کرد.
پژوهشگران اکنون می‌توانند نسخه پارکینسون را در biomni.phylo.bio بررسی کنند تا ببینند عامل‌های هوش مصنوعی چگونه شواهد پیچیده بیولوژیکی را مدیریت می‌کنند.
گام بعدی شما
- اگر پژوهشگر حوزه زیست‌شناسی هستید، نسخه پارکینسون را در biomni.phylo.bio بررسی کنید تا نحوه مدیریت شواهد پیچیده توسط عامل‌ها را ببینید.
- مدل‌های عامل‌محور را برای جایگزینی گزارش‌های استاتیک در سازمان خود ارزیابی کنید.
- متدولوژی Vaiana (۲۰۲۵) را برای درک نحوه امتیازدهی به اهداف دارویی مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو