3 دقیقه
تصور کنید در کتابخانهای به بزرگی یک شهر به دنبال تنها یک سرنخ کمرنگ میگردید. زمان میبرد. به شانس هم نیاز دارد. نوو نوردیسک امیدوار است یک همکاری تازه، کفه احتمال موفقیت را به نفع پژوهشگران سنگینتر کند.
این داروساز دانمارکی که با اوزمپیک و ویگووی شناخته میشود، با آنتروپیک همکاری میکند تا مدلهای ابری کلود این شرکت را در آزمایشگاههای تحقیق و توسعه خود بیازماید. هدف کاملا کاربردی است: مشخص شود این ابزارهای هوش مصنوعی دقیقا کجا میتوانند به پژوهشگران کمک کنند دادههای زیستی را غربال کنند، ترکیبات دارویی امیدبخش را شناسایی کنند و آزمایشهای بهتری را با سرعت بیشتر طراحی کنند.
هوش مصنوعی مدتهاست از ترفندهای ساده متن و تصویر فراتر رفته است. اکنون این فناوری آموزش میبیند تا مقالات علمی را بخواند، نتایج آزمایشها را تفسیر کند و مجموعهدادههای پراکنده را به هم پیوند دهد. چنین قابلیتی میتواند دانشمندان را زودتر به مسیرهایی هدایت کند که ارزش آزمودن دارند و زمان صرفشده برای دنبال کردن بنبستها را کاهش دهد. مفید به نظر میرسد؟ قطعا. اما در عمل، ماجرا پیچیدهتر از این حرفهاست.

آنچه این مدلها ارائه میکنند، سرعت و تشخیص الگو در مقیاس گسترده است. آنها میتوانند دههها مطالعه را در چند دقیقه خلاصه کنند، همبستگیها را در میان آزمایشهای مختلف برجسته سازند و فرضیههایی پیشنهاد دهند که ممکن است از دید انسان پنهان بماند. همچنین میتوانند گزارشهای اولیه بنویسند و طرح کلی برنامههای آزمایشی را ترسیم کنند. با این حال، هنوز نمیتوانند پیپت را در دست بگیرند و آزمایش را اجرا کنند.
هوش مصنوعی یک شتابدهنده است، نه جایگزین: اعتبارسنجی آزمایشگاهی و کارآزماییهای بالینی همچنان غیرقابل چشمپوشی هستند.
شرکتهای بزرگ داروسازی این روند را جدی گرفتهاند. ایلای لیلی، مرک و روش از جمله شرکتهایی هستند که منابع قابل توجهی را به پلتفرمهای هوش مصنوعی اختصاص میدهند تا فرایندهای کشف دارو را دقیقتر و کارآمدتر کنند. منطق این سرمایهگذاری ساده است: توسعه یک دارو کند و پرهزینه است و بسیاری از نامزدهای اولیه در مراحل بعدی شکست میخورند. اگر مدلها قابل اعتماد بودن خود را ثابت کنند، تحلیل بهتر دادهها میتواند این نرخ شکست را کاهش دهد.
نوو نوردیسک پیشتر نیز همکاریهای دیگری در حوزه هوش مصنوعی را آزمایش کرده بود. اضافه شدن آنتروپیک، اقدامی تازه برای گسترش جعبهابزار این شرکت در حوزههایی است که مدلهای محاسباتی میتوانند مسیر رسیدن از ایده به دارو را ماهها یا حتی سالها کوتاهتر کنند. چقدر زمان صرفهجویی خواهد شد؟ این همان پرسش میلیارددلاری است.
آزمون واقعی این است که آیا این همکاریها میتوانند بینشهای سریعتر را به درمانهای ایمنتر و مؤثرتر تبدیل کنند و آنها را زودتر به دست بیماران برسانند یا نه. فعلا آزمایشگاهها میدان اثبات این فناوری هستند و رقابت برای تبدیل الگوریتمهای هوشمند به درمانهای واقعی آغاز شده است.
.avif)



نظر بگذارید
نظرات (2)
تجربه شخصی: یه بار مدل کمک کرد ترکیبات بالقوه رو زودتر پیدا کنیم اما بدون آزمایش واقعی هیچی معلوم نمیشه، هوش یه ابزاره نه معجزه
واقعاً میشه رو این مدلها حساب کرد؟ کلی مقاله و داده متناقض هست، سرعت جذابه ولی سوگیریها و خطاها کجا سنجیده میشه...؟