تصور کنید یک مدیر تحقیق در صنعت داروسازی باشید که برای رسیدن به یک کاندید دارویی، باید ۱۸ ماه انتظار بکشد؛ حالا این زمان به کمتر از ۹ ماه رسیده است. طبق اعلام شرکت XtalPi در ۶ اکتبر ۲۰۲۶، پلتفرم جدید Kodexia توانسته است داده‌های اثربخشی یک کاندید دارویی برای بیماری نفروپاتی IgA را تنها در ۷ ماه به دست آورد.
این دستاورد در حالی رخ می‌دهد که استاندارد فعلی صنعت برای انتخاب کاندیدهای پیش‌بالینی بین ۱۲ تا ۱۸ ماه است. کشف داروهای siRNA — که شبیه به یک کلید خاموش‌کننده برای ژن‌های بیماری‌زا عمل می‌کنند تا از تولید پروتئین‌های مضر جلوگیری کنند — همواره با چالش «شکاف ترجمه» روبرو بوده است؛ وضعیتی که در آن نتایج آزمایشگاهی در محیط کشت (پتری دیش) در محیط زنده جواب نمی‌دهند. طراحی درمان‌های siRNA به‌ویژه دشوار است زیرا این مولکول‌ها باید از سدهای سلولی پیچیده عبور کنند و در عین حال از تحریک پاسخ‌های ایمنی بدن جلوگیری نمایند.
شرکت XtalPi محدودیت‌های خاصی را شناسایی کرد که پلتفرم جدید باید به آن‌ها پاسخ دهد. این چالش‌ها شامل فرآیندهای تکه‌تکه در طراحی توالی و اصلاحات مولکولی، موانع سختگیرانه ثبت اختراع (پتنت) و دشواری رساندن درمان‌ها به اندام‌هایی غیر از کبد بود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون در بیوتکنولوژی اشاره کردیم، حذف خطاهای انسانی در مراحل تکراری، کلید مقیاس‌پذیری است. XtalPi برای حل این مشکل، معماری siFormer را توسعه داد. این مدل برخلاف هوش مصنوعی‌های سنتی که فقط دنبال الگو در توالی‌ها می‌گردند، از مدل‌سازی بیولوژیکی بر اساس اصول اولیه (First-principles) استفاده می‌کند. این رویکرد یادآور کشف سامانهٔ آنزیمی ART توسط هوش مصنوعی آنتروپیک است که نشان داد مدل‌های پیشرفته چگونه می‌توانند فراتر از الگوهای موجود، ابزارهای بیولوژیکی جدیدی را شناسایی کنند.
این سیستم، مکانیسم‌های تداخل RNA را با اصول شیمی اسیدهای نوکلئیک و ترمودینامیک RNA ترکیب می‌کند. همچنین ویژگی‌های ساختاری مربوط به بارگذاری رشته‌ها (Strand loading)، دسترسی به هدف و کارایی خاموشی ژن را در نظر می‌گیرد تا مطمئن شود مولکول‌های تولید شده از نظر بیولوژیکی منطقی و قابل اجرا هستند. Kodexia به صورت یک سیستم حلقه-بسته (Closed-loop) عمل می‌کند؛ یعنی طرح‌های محاسباتی مستقیماً به آزمایشگاه‌های خودکار ارسال می‌شوند.
به نقل از مستندات شرکت، این آزمایشگاه‌ها هر هفته بیش از ۵۰۰ آزمایش در محیط کشت (in vitro) و ۳۰ آزمایش در موجود زنده (in vivo) انجام می‌دهند. داده‌های تجربی به‌دست‌آمده بلافاصله به مدل‌ها بازمی‌گردند تا نسل بعدی طراحی‌ها دقیق‌تر شوند. این ادغام منجر به نتایج زیر شده است:
- بهره‌وری طراحی: افزایش تقریباً سه برابری سرعت طراحی مولکولی نسبت به گردش کارهای متداول.
- موفقیت در گام اول: بیش از ۵۰٪ از طرح‌های دور اول، فعالیتی قوی‌تر از کنترل‌های مثبت در محیط زنده نشان دادند.
- مقیاس خط تولید: مدیریت ۶ برنامه اختصاصی برای بیماری‌های متابولیک، کلیوی، تنفسی و سیستم عصبی مرکزی.
- نرخ اعتبارسنجی: بیش از نیمی از این برنامه‌ها ارزیابی‌های اثربخشی در موجود زنده را به پایان رسانده‌اند.
یکی از بزرگ‌ترین دستاوردهای این پلتفرم، عبور از محدودیت کبد است. اکثر درمان‌های siRNA در حال حاضر محدود به کبد هستند. اما XtalPi با استفاده از بهینه‌سازی چندهدفه، مولکول‌های siRNA را به‌طور هم‌زمان با سیستم‌های هدف‌گیر مانند آنتی‌بادی‌ها، پپتیدها و کنژوگه‌های مولکول‌های کوچک طراحی می‌کند. هدف این رویکرد، رساندن درمان‌ها به کلیه، طحال و بافت‌های چربی است. این پلتفرم همچنین از نانوذرات لیپیدی (LNP) برای انتقال دارو استفاده می‌کند.
علاوه بر این، Kodexia از طراحی siRNA با هدف دوگانه پشتیبانی می‌کند. با بهینه‌سازی جهانی دو هدف در قالب یک مولکول واحد، این پلتفرم می‌تواند بیولوژی پیچیده بیماری‌هایی را هدف قرار دهد که مداخلات تک‌هدفه قادر به حل آن‌ها نیستند.
فراتر از siRNA، شرکت XtalPi در حال توسعه مدل‌های پیش‌بینی هوش مصنوعی برای اولیگونوکلئوتیدهای آنتی‌سنس و سایر روش‌های اولیگونوکلئوتیدی است. این امر توانایی شرکت را در ایجاد تعادل بین قدرت اثر (Potency)، دوام، فعالیت‌های خارج از هدف (Off-target)، ایمنی و قابلیت ثبت اختراع در انواع مختلف اسیدهای نوکلئیک گسترش می‌دهد.
برای رهبران کسب‌وکار، این تغییر به معنای «صنعتی شدن» بیوتکنولوژی است. وقتی فاصله بین یک فرضیه دیجیتال و آزمایش فیزیکی از چند ماه به چند روز می‌رسد، هزینه شکست به شدت کاهش می‌یابد. در این مدل، مزیت رقابتی دیگر در اختیار کسی نیست که بهترین بیولوژیست‌ها را دارد، بلکه متعلق به کسی است که سریع‌ترین حلقه بازخورد داده را ساخته است. این روند بهینه‌سازی زمان در مراحل توسعه، مشابه تجربه شرکت نوو نوردیسک در کاهش زمان تولید گزارش‌های بالینی است که سرعت عملیاتی در صنعت دارو را به شدت افزایش داد.
این قابلیت‌ها، سبد خدمات XtalPi را که پیش از این شامل مولکول‌های کوچک، آنتی‌بادی‌ها و پپتیدها بود، تکمیل می‌کند. این شرکت که در سال ۲۰۱۵ توسط سه فیزیکدان MIT تأسیس شد، از فیزیک کوانتوم، محاسبات ابری با عملکرد بالا و اتوماسیون استاندارد برای صنایعی از داروسازی تا لوازم آرایشی استفاده می‌کند.
در آینده نزدیک، باید منتظر نتایج نهایی انتخاب کاندید پیش‌بالینی برای برنامه نفروپاتی IgA باشیم که XtalPi انتظار دارد کل این پروژه را در یک بازه زمانی ۹ ماهه نهایی کند. در حال حاضر، این شرکت به دنبال مشارکت‌های پلتفرمی، توسعه مشترک دارایی‌ها و قراردادهای اعطای مجوز (Out-licensing) با شرکت‌های بیوتکنولوژی است.
گام بعدی شما
- بررسی گزارش‌های نهایی انتخاب کاندید پیش‌بالینی برای برنامه نفروپاتی IgA در ماه نهم.
- تحلیل مدل‌های همکاری XtalPi برای توسعه مشترک داروها (Co-development).
- رصد پیشرفت‌های مدل‌های پیش‌بینی برای اولیگونوکلئوتیدهای آنتی‌سنس.
اما تأثیر این سرعت در کاهش قیمت نهایی داروهای ژنتیکی حتی تکان‌دهنده‌تر است — به تحلیل ما درباره‌ی اقتصاد مدل‌های تولید دارو مراجعه کنید.
گفتگو