کشف دارو چوب جادو نداره
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
تو این یادداشت اومده که کشف دارو سه مرحله داره: پیدا کردن یه مکانیزم زیستی که دستکاریش مسیر بیماری رو عوض کنه، ساختن یه مداخلهٔ مولکولی برای هدف گرفتن اون مکانیزم (داروی شیمیایی، آنتیبادی، siRNA، ژندرمانی) و بعد طراحی برنامهٔ بالینی. نویسنده میگه تقریباً همهٔ کار جدی هوش مصنوعی تو مرحلهٔ دوم متمرکز شده — همونجایی که AlphaFold راه رو باز کرد.
ولی به گفتهٔ کولر گلوگاه اونجا نیست. بیش از ۹۰٪ داروهایی که وارد فاز بالینی میشن شکست میخورن و این عدد چند دههست تکون نخورده؛ تو بیشتر موارد مولکول درست ساخته شده بود، فقط هدفش اشتباه بود. تشبیه خودش اینه که ما داریم کلیدهای خوب میسازیم، ولی برای قفلهای اشتباه. سریعتر کلید ساختن، قفل درست رو پیدا نمیکنه.
وعدهٔ دوم اینه که مدلهای زبانی با استدلال روی ادبیات علمی موجود، فرضیههای مکانیزمی تازه بیرون میکشن. نویسنده معتقده دادهٔ لازم اصلاً وجود نداره: بزرگترین اطلسهای سلولی با صدها میلیون سلول هم چند مرتبه بزرگی کوچیکترن، و دادهٔ علّی و مداخلهای — اینکه سلول به یه دستکاری چه واکنشی نشون میده — تازه با پروژههای «سلول مجازی» داره جمع میشه، اونم روی دامنهٔ باریکی از ردههای سلولی.
سومین وعده، انبوه ایجنتهای AI تو حلقهٔ بسته با آزمایشگاه خودکاره. نویسنده میگه ایجنتها وقتی میدرخشن که یه کارنامهٔ سریع، ارزون و دقیق برای سنجش پیشرفت داشته باشن — مثل کامپایلر برای کد. تو دارو تنها معیار واقعی، کارآزمایی انسانیه که سالها طول میکشه و میلیونها دلار خرج برمیداره. با همین منطق، شتاب دادن به مرحلهٔ بالینی هم فقط شکستها رو سریعتر تحویل میده.
نکات کلیدی:
- گلوگاه واقعی کشف دارو، فهم بیماری و پیدا کردن مکانیزم درسته؛ نه طراحی مولکول
- بیش از ۹۰٪ داروهای واردشده به فاز بالینی شکست میخورن و معمولاً هدف اشتباه بوده، نه مولکول
- الان ۳۸ هدف زیستی هرکدوم بیش از ۵۰ برنامهٔ دارویی دارن، در حالی که تعداد اهداف تازه از حدود ۱۰۰ تا در ۲۰۱۵ به حدود ۳۰ تا در ۲۰۲۴ افتاده
- بیماریهای انسانمحور مثل آلزایمر و ALS تو مدلهای حیوانی بازتولید نمیشن، برای همین دادهشون گرونترین و کمیابترینه
- کاربردهای واقعی AI تو تصویربرداری، سمشناسی پیشبینانه و انتخاب بیمار ارزشمندن، ولی به گفتهٔ نویسنده بنیان صنعت رو عوض نمیکنن
