آنتروپیک کلود ساینس: از چت مدل تا کشف دارو با هوش مصنوعی

وقتی شرکتی که به خاطر مدل‌های گفتگو مشهور است شروع به استخدام دانشمندان آزمایشگاهی و ساخت آزمایشگاه‌های تجربی می‌کند، توجه‌برانگیز است. آنتروپیک بی‌سر و صدا از ساخت مدل‌های چت به سوی گردآوری مجموعه‌ای از ابزارها برای کشف دارو حرکت کرده و در رویدادی با نام The Briefing: AI for Science از کلود ساینس رونمایی کرده است، به گزارش وب‌سایت ورج.

کلود ساینس به‌عنوان یک محیط کاری یکپارچه معرفی شده است: مجموعه داده‌ها، ابزارهای تحلیلی و موتورهای مصورسازی در یک رابط گردآمده‌اند تا پژوهشگران بتوانند نتایج پیچیده را به‌جای فایل‌های پراکنده به صورت نمودارها و تصاویر واضح ببینند. این ایده وسوسه‌انگیز است. محیطی واحد که جریان‌های کاری محاسباتی را به هم بدوزد می‌تواند هفته‌ها از زمان تحلیل‌های روتین بکاهد و فرضیه‌ها را سریع‌تر مطرح کند.

اما ساخت پلتفرم و واقعاً رساندن یک مولکول به کلینیک دو پروژه کاملاً متفاوت هستند. آنتروپیک می‌گوید تمرکز خود را روی بیماری‌های کم‌توجه و توسعه درمان‌های سفارشی خواهد گذاشت. تاکنون جزئیات کمی درباره نحوه انجام مطالعات حیوانی، سازماندهی کارآزمایی‌های بالینی یا همکاری با تولیدکنندگان مطرح شده است. با این وجود، این شرکت در طول سال گذشته به‌طور گسترده در رشته‌های علوم زیستی استخدام کرده و گزارش شده آزمایشگاه‌های اختصاصی برای پشتیبانی از جاه‌طلبی‌های خود راه‌اندازی کرده است.

آنتروپیک وارد میدانی شلوغ می‌شود. شرکت‌های بزرگ فناوری و استارتاپ‌های تخصصی پیش‌تر هدف فروش راهکارهای محاسباتی در کشف دارو را دنبال می‌کرده‌اند: اوپن‌ای‌آی، گوگل و آمازون طرح‌های علوم زیستی راه‌اندازی کرده‌اند؛ اینسیلیکو و ایزومورفیک لبز سال‌ها است که خطوط طراحی دارو به‌صورت سرتاسری توسعه می‌دهند. آنچه آنتروپیک را متمایز می‌کند سابقه‌اش در مدل‌های زبانی بزرگ و شرط‌بندی علنی بر این است که این مدل‌ها در صورت جفت‌شدن با داده‌های حوزه‌ای و زیرساخت آزمایشگاهی می‌توانند جریان‌های کاری علمی را معنادار تسریع کنند.

کارشناسان نسبت به زیاده‌خواهی هشدار می‌دهند. پژوهشگرانی از دانشگاه کمبریج و کالج دانشگاه لندن اشاره می‌کنند که ابزارهای هوش مصنوعی در بسیاری از مراحل ارزشمندند—از پیشنهاد اسکلِت‌های نوآورانه تا تحلیل داده‌های آزمایشی با ابعاد بالا—اما جایگزین نیاز به داده‌های تجربی باکیفیت نیستند. در زیست‌شناسی، سیگنال اغلب پر سروصدا است. مدل‌هایی که تشنه داده‌های منسجم و خوب‌حاشیه‌نویسی‌شده‌اند ممکن است توسط واقعیت تکه‌تکه و ناهمگون نتایج تجربی دچار مشکل شوند.

آیا روش‌های محاسباتی می‌توانند آزمایش‌های حضوری را حذف کنند؟ هنوز نه. شیمیدانان دانشگاه آکسفورد و دیگران تأکید می‌کنند که یک ترکیب هنوز باید از نظر اثربخشی، سمیت و نحوه تحویل در سامانه‌های زنده ارزیابی شود. مدل‌های پیش‌بینی‌کننده به اولویت‌بندی نامزدها کمک می‌کنند. آن‌ها در حال حاضر نیاز اساسی به اعتبارسنجی فیزیکی را برطرف نمی‌کنند.

به نظر می‌رسد آنتروپیک این تمایز را درک می‌کند؛ سرمایه‌گذاری آن در زیست‌شناسان و فضای آزمایشگاهی نشان‌دهنده رویکرد ترکیبی است—هوش مصنوعی برای تولید سرنخ‌ها، انسان‌ها و آزمایش‌ها برای اثبات آن‌ها.

آنچه باید در آینده دنبال کرد: اینکه آیا کلود ساینس می‌تواند با شرکت‌های پیمانکار تحقیقاتی و تولیدکنندگان خارجی پیوند بخورد، آنتروپیک تا چه اندازه درباره روندهای اعتبارسنجی شفاف خواهد بود، و آیا پلتفرم داده‌های پیش‌بالینی بازتولیدپذیری تولید می‌کند که نهادهای مقررات‌گذار و شرکا را قانع سازد. اگر شرکت بتواند دنیای محاسباتی و تجربی را به هم متصل کند، می‌تواند بازیگری معتبر جدید در توسعه دارو مبتنی بر هوش مصنوعی اضافه کند، اما اجرای دقیق همه چیز خواهد بود.