کشف داروی هوش مصنوعی از هیاهو به فاز بالینی رسید – آنچه واقعاً در آزمایشها میگذرد
شعار کشف دارو با هوش مصنوعی سالهاست که تکرار میشود: هوش مصنوعی اهداف جدید پیدا میکند، مولکولهای نو طراحی میکند و زمانبندیهایی را که تاریخی دههای بودند فشرده میکند. در ۲۰۲۶، فاز اثبات مفهوم واقعاً تمام شده. بیش از ۲۰۰ ترکیب ساخته شده با هوش مصنوعی در تست بالینی هستند، FDA یک مسیر تسریعشده اختصاصی برای داروهای کشف شده با هوش مصنوعی راه انداخته، و پیشرفتهترین مولکول ساخته شده با هوش مصنوعی فاز دوم الف را با نتایج مثبت اثربخشی پشت سر گذاشته. این به هیچ وجه به این معنی نیست که مشکل حل شده – اما سؤال دیگر این نیست که آیا هوش مصنوعی میتواند به کشف دارو کمک کند. سؤال این است که کدام مشارکتها واقعاً به مراحل پایانی آزمایش میرسند و مسیر نظارتی وقتی به آنجا میرسند چگونه است.
پیشرفتهترین مورد: رنتوسرتیب برای فیبروز ریوی
رنتوسرتیب شرکت Insilico Medicine در حال حاضر پیشرفتهترین داروی کشف شده با هوش مصنوعی در حال توسعه بالینی است. این دارو هدفش TNIK است، یک کیناز درگیر در سیگنالدهی فیبروتیک، و کاملاً توسط سیستمهای هوش مصنوعی شناسایی و طراحی شده – از شناسایی هدف تا طراحی مولکول. این دارو برای فیبروز ریوی ایدیوپاتیک (IPF) ساخته میشود، یک بیماری ریوی پیشرونده با گزینههای درمانی محدود.
نتایج فاز دوم الف که در اوایل ۲۰۲۶ منتشر شد، نشاندهنده سیگنالهای مثبت اثربخشی و ایمنی بود. رنتوسرتیب اکنون به فاز دوم ب میرود و اولین مولکول ساخته شده با هوش مصنوعی است که اثربخشی بالینی را در انسان نشان داده. اما نکته مهم: فاز دوم الف معمولاً ۵۰ تا ۲۰۰ بیمار دارد. آزمایشهای فاز سوم هزاران نفر را شامل میشوند. گذار از فاز دوم به سوم جایی است که از نظر تاریخی بیشتر برنامههای دارویی شکست میخورند، و سابقه رنتوسرتیب هنوز چیزی درباره احتمال موفقیت در فاز سوم نمیگوید.
خط لوله گستردهتر Insilico شامل چندین کاندیدای دیگر ساخته شده با هوش مصنوعی در حوزه انکولوژی و التهاب است. رویکرد این شرکت از هوش مصنوعی مولد برای طراحی مولکول و یادگیری تقویتی برای بهینهسازی استفاده میکند – یک workflow که اکنون در این حوزه رایج است اما Insilico آن را در مقیاس بالینی زودتر از بقیه به کار گرفت.
جاهطلبیهای بالینی Isomorphic Labs و AlphaFold 3
Isomorphic Labs، استارتآپ اسپینآف Google DeepMind که AlphaFold را تجاریسازی میکند، خود را برای ورود به آزمایشهای فاز اول با کاندیداهای دارویی ساخته شده با هوش مصنوعی در حوزه انکولوژی تا پایان ۲۰۲۶ آماده میکند. این شرکت روی AlphaFold 3 بنا شده که قابلیتهای پیشبینی ساختار پروتئین اولیه را گسترش داده تا نحوه تعامل پروتئینها با مولکولهای کوچک، اسیدهای نوکلئیک و سایر پروتئینها را به طور همزمان مدل کند – تعاملاتی که اتصال دارویی به آنها وابسته است.
توانایی AlphaFold 3 در پیشبینی ساختارهای اتصال پروتئین-لیگاند یک پیشرفت عملی مهم برای طراحی دارو بود. پیشبینی ساختار قبلی میتوانست بگوید یک پروتئین چه شکلی است؛ AlphaFold 3 میتواند مدل کند که یک مولکول دارویی کاندید چگونه ممکن است به جایگاه اتصال بچسبد. همراه با طراحی مولکولی مولد، این یک workflow in-silico ایجاد میکند که میتواند میلیاردها مولکول کاندید را قبل از سنتز هر ترکیب فیزیکی ارزیابی کند.
خط لوله Isomorphic با خود AlphaFold متفاوت است – ابزار تحقیقاتی دسترسی آزاد دارد، در حالی که Isomorphic برنامههای دارویی اختصاصی روی آن میسازد. اعلام فاز اول که تا پایان ۲۰۲۶ انتظار میرود یک نقطه عطف معنادار خواهد بود: اولین آزمایش انسانی یک مولکول طراحی شده با قابلیتهای کامل پیشبینی ساختار-تعامل AlphaFold 3.
چارچوب نظارتی در حال تطبیق است
FDA در اوایل ۲۰۲۶ برنامه آزمایشی Accelerated AI Pathway خود را راه انداخت و ده شرکت با کاندیداهای دارویی کشف یا طراحی شده با هوش مصنوعی را برای بررسی سریع فاز اول انتخاب کرد. این آزمایش پاسخی است به حجم رو به رشد درخواستهای IND (داروی جدید تحقیقاتی) با منشأ هوش مصنوعی و نیاز آژانس به توسعه صلاحیت بازبینی با بستههای شواهد تولید شده توسط هوش مصنوعی قبل از اینکه حجم بیشتر شود.
FDA و آژانس دارویی اروپا در ژانویه ۲۰۲۶ به طور مشترک "اصول راهنمای عملکرد خوب هوش مصنوعی در توسعه دارو" را منتشر کردند – اولین چارچوب نظارتی بینالمللی هماهنگ برای هوش مصنوعی در تحقیق و توسعه دارو. این سند به مستندسازی دادههای آموزشی، اعتبارسنجی مدل و نحوه ارائه شواهد تولید شده توسط هوش مصنوعی در ارسالهای نظارتی میپردازد. به همه سؤالات پاسخ نمیدهد، اما به شرکتها استانداردی میدهد که به سمت آن انطباق ایجاد کنند، به جای اینکه هر آژانس جداگانه بداههسازی کند.
پیشنویس راهنمایی در مورد استفاده از هوش مصنوعی در تصمیمگیریهای نظارتی دارو انتظار میرود تا پایان امسال توسط FDA نهایی شود. زمانبندی مهم است: بدون راهنمایی نهایی، شرکتهایی که با ارسالهای سنگین هوش مصنوعی پیش میروند با عدم اطمینان درباره اسناد مورد انتظار آژانس و نحوه وزندهی دادههای تولید شده توسط هوش مصنوعی در مقابل شواهد آزمایشی سنتی مواجه میشوند.
سؤال نرخ موفقیت بالینی
برنامههای دارویی هوش مصنوعی نرخ موفقیت ۸۰ تا ۹۰ درصد در آزمایشهای فاز اول نشان میدهند، که به طور قابل توجهی بالاتر از میانگینهای تاریخی است. فاز اول عمدتاً ایمنی و دوز را آزمایش میکند، نه اثربخشی – مولکولهای بهینهسازی شده با هوش مصنوعی به نظر میرسد پروفایلهای ایمنی و خواص فارماکوکینتیک بهتری نسبت به مولکولهای کشف شده با رویکردهای قدیمیتر دارند، احتمالاً به این دلیل که بهینهسازی هوش مصنوعی خواص ADMET (جذب، توزیع، متابولیسم، دفع، سمیت) را از ابتدا به طور صریح مدل میکند.
فاز دوم داستان متفاوتی است. داروهای طراحی شده با هوش مصنوعی در فاز دوم حدود ۴۰ درصد موفق میشوند، مشابه میانگینهای تاریخی صنعت. شکاف بین عملکرد فاز اول و فاز دوم نشان میدهد هوش مصنوعی در اجتناب از حالتهای شکست آشکار (ایمنی، تحملپذیری) خوب شده اما هنوز توانایی پیشبینی اثربخشی بالینی را نشان نداده – که به فرضیههای بیولوژیکی درباره مکانیسمهای بیماری وابسته است که حتی با بهترین مدلهای ساختاری دشوار باقی میمانند.
شرکتهایی که معتبرترین خطوط لوله فاز دوم را دارند – Insilico، Recursion Pharmaceuticals، Schrödinger، Generate Biomedicines – هرکدام به طور متفاوتی به این موضوع حمله میکنند. Recursion از تصویربرداری بیولوژیکی در مقیاس بزرگ برای تولید دادههای آموزشی برای مدلهای مکانیسم بیماری استفاده میکند. Generate Biomedicines بر درمانهای مبتنی بر پروتئین تمرکز دارد که در آنها ارتباط هدف-مکانیسم مستقیمتر است. Schrödinger شبیهسازیهای فیزیک مکانیک کوانتومی را با هوش مصنوعی ترکیب میکند. هیچکدام از این رویکردها هنوز موفقیت فاز سوم را نشان ندادهاند، اما دادههای فاز اول و دوم که در ۲۰۲۶ جمع میشوند شروع به تمایز بین پلتفرمهایی خواهند کرد که واقعاً مدلهای بیولوژیکی پیشبینیکننده دارند در مقابل آنهایی که عمدتاً در سنتز مولکول بهتر هستند.
اولین تأیید FDA واقعاً چه معنایی خواهد داشت
تا اواسط ۲۰۲۶، هیچ داروی ساخته شده با هوش مصنوعی تأیید کامل FDA را دریافت نکرده است. اولین پنجره احتمالی تأیید ۲۰۲۷–۲۰۲۸ است، مشروط به نتایج موفق فاز سوم از داروهایی که اکنون در فاز دوم هستند. وقتی آن اولین تأیید اتفاق بیفتد، به عنوان یک نقطه عطف ذکر خواهد شد – اما نقطه عطف بیشتر درباره سابقه نظارتی خواهد بود تا اعتبارسنجی علمی. سؤال سختتر این است که نرخ تأیید فاز سوم در خط لوله دارویی هوش مصنوعی تا ۲۰۳۰ چگونه به نظر میرسد، زمانی که برنامههای کافی کل مسیر را طی کرده باشند تا بتوان درباره رویکردهای هوش مصنوعی که واقعاً داروهای مؤثر در جمعیتهای بزرگ تولید میکنند نتیجهگیری کرد.
نقطه عطف فوریتر ۲۰۲۶ که باید تماشا کرد، شروع فاز اول Isomorphic و نتایج میانی فاز دوم ب رنتوسرتیب است. این دو داده نقطه بیش از هر تعداد برنامه خط لوله اعلام شده، اعتماد سرمایهگذاران و علمی را در این حوزه شکل خواهند داد.