ضرورت آزمایش روی حیوانات برای فرآیند کشف دارو غم انگیز است ، اما به نظر نمی رسد جایگزین مناسبی برای موش ها وجود داشته باشد ، هرچند آنالوگهای انسان دقیق نیستند. قریس ادعا می کند که اولین گزینه واقعی را در ترکیب هوش مصنوعی با داده های “بیمار روی تراشه” دارد که آزمایشات و اتوماسیون فوق العاده ای را ارائه می دهد ، همه با هزینه قابل ملاحظه ای کمتر – نیازی به موس نیست.
این شرکت مبلغ 9 میلیون دلار برای انتقال از مرحله آزمایشی به تولید جمع آوری کرده است و یک تیم همه ستاره از حامیان و مشاوران یک شاخص امیدوار کننده است که این روش دارای مزایای اساسی است.
ایده اصلی کاملاً منطقی است: شبیه سازی بهتر بدن انسان را در مقیاس کوچک بسازید و از آن برای جمع آوری داده هایی استفاده کنید که یک سیستم یادگیری ماشین می تواند به راحتی آنها را تفسیر کند. البته گفتن آن بسیار ساده تر از انجام دادن آن است ، اما به محض این که محققان آن را گفتند ، قرآن شروع به انجام آن کرد.
رویکرد این شرکت مستقر در اسرائیل بر اساس یک مطالعه بزرگ در هاروارد در مورد استفاده از به اصطلاح “اعضای روی تراشه” است. این سیستم ها ، که هنوز نسبتاً جدید هستند اما در این زمینه تأسیس شده اند ، از مقدار کمی بافت مشتق از سلول های بنیادی (“ارگانوئیدها”) به عنوان بستر آزمایش برای داروها یا درمان ها استفاده می کنند-ایده خوبی در مورد اینکه مثلاً کبد انسان چگونه ممکن است به ترکیبی از مواد پاسخ دهد.
آنچه محققان هاروارد دریافتند این است که با پیوند دادن چندین سیستم اندام روی تراشه به یکدیگر (مانند کبد به کلیه به سلول های قلب) ، به یک شبیه سازی شگفت آور م effectiveثر از بدن انسان می رسید. البته هیچ چیز شبیه به چیز واقعی نیست ، اما این سیستم ارگانوئید سریالی یا “بیمار روی تراشه” می تواند جایگزین واقعی آزمایش موش باشد. با وجود این واقعیت که موادی که از مرحله موش عبور می کنند فقط ده درصد از مواقع در آزمایشات انسانی موفق هستند ، این هنوز رایج ترین روش برای مشاهده نحوه تأثیر درمان بر سیستم کامل اندام ها است.
مدیر عامل و بنیانگذار آیزاک بنتویچ گفت که به محض انجام این مطالعه ، او و همکارانش این پتانسیل را تشخیص داده و کارهایی را که باید از نظر مهندسی و هوش مصنوعی انجام شود شروع کردند تا این کار را از یک سیستم آزمایشی به یک محصول مقیاس پذیر این فقط یک جایگزین موش نیست – این یک روش (نسبتاً) ارزان برای انجام آزمایش محدود انسان بدون انسان و بدون قطعیت موش ها است.
بنتویچ در مصاحبه ای گفت: “بگویید شما یک شرکت داروسازی هستید.” “آیا می خواهید منتظر بمانید تا در آستانه آزمایش بالینی قرار بگیرید تا دریابید که آیا مولکولی که روی کاغذ خوب به نظر می رسد واقعاً م effectiveثر است؟ شما می توانید تمام اکتشافات ژنومیک را که می خواهید انجام دهید ، اما این آزمایش شما را در موش ها که در 90 درصد مواقع ناموفق است ، پیش نمی برد. این به شما امکان می دهد قبل از رفتن به مسابقه اسب برنده را انتخاب کنید. “
با توجه به اینکه متقاضیان دارویی می توانند صدها میلیون هزینه برای رسیدن به مرحله بالینی داشته باشند ، بیش از آنکه ارزش صرف یک ثروت اندک (فکر کنید ده ها میلیون نفر) برای از بین بردن معدودی که برای شکست در نظر گرفته شده است را داشته باشند. اگر این تکنیک دقیق باشد – و نشانه هایی از آن وجود دارد – در این صورت این خطر عملاً صفر است و اگر از یک بن بست گران قیمت اجتناب شود ، هزینه خود را خواهد پرداخت. به عبارت دیگر ، بنتویچ اظهار داشت ، این باعث می شود که ذهنیت نرم افزاری “شکست زود ، شکست ارزان” به حوزه ای وارد شود که هیچ کدام واقعاً یک گزینه نبود.
سیستم قریس از تکنیک تراشه روی تراشه ، به عبارت دیگر چند سیستم ارگانوئیدی (تراشه) به ترتیب (در تراشه دیگر) ، اما کوچکتر و کارآمدتر از سیستم های آزمایشگاهی پیشرفته به ترتیب اندازه استفاده می کند. اجرای صد انسان شبیه سازی شده به شیوه ای که محققان هاروارد انجام دادند میلیون ها دلار هزینه خواهد داشت ، اما هزاران دستگاه در سیستم قریس ، که از مواد بیولوژیکی خام کمتری استفاده می کند ، می تواند خودکار شده و با یک مدل یادگیری ماشین آموزش دیده همراه باشد.
این جنبه دیگری است که قرآن در حال بازی کردن است: این که این مجموعه داده منحصر به فرد ، یک هوش مصنوعی منحصر به فرد را هدایت می کند که می فهمد و می تواند به اجرای و تفسیر آزمایش ها کمک کند. هوش مصنوعی در حال حاضر با داروهای موجود و آینده آموزش می بیند و یاد می گیرد که سیگنال های حسگرهای مختلف برای ایمنی این ماده چه معنایی دارد. این اجازه می دهد تا به جای مثلاً 500 موش ، آزمایش موثری با تعداد انگشت شماری تراشه انجام شود.
تراشه ها نیز خود یکسان نیستند. با دستکاری و انتخاب دقیق سلول های بنیادی و بافت ها ، می توان انواع مختلف افراد و شرایط یا فنوتیپ های مختلف را آزمایش کرد. اگر شرکتی دارویی دارد که به خوبی کار می کند اما در 10 درصد مواقع عوارض جانبی ایجاد می کند و علت آن را نمی داند ، آزمایش بر روی زمینه های مختلف ژنتیکی یا عوامل پیچیده در یک محیط خودکار ممکن است بتواند بفهمد چه عوامل ژنتیکی منجر به این موارد می شود. اثرات جانبی.
از آنجا که هوش مصنوعی از همه اینها آگاه است و فهرست بندی می کند ، باید از تعداد نسبتاً کمی از آزمایشهای خودکار (فکر کنید دهها ، نه هزاران و با هزینه هزاران و نه میلیونها) تشخیص دهید که آیا یک دارو نامزد خوبی است. برای آزمایش انسان یا نه. بدون تفسیر هوش مصنوعی ، داده ها ناگهان تبدیل به یک مشکل چند دکتری می شوند. اما بنتویچ به سرعت توجه کرد که آنها به هیچ وجه پیش بینی نمی کنند که جنبه بیولوژیکی را حذف کرده و تنها بر هوش مصنوعی تکیه کنند. او گفت: “این بخشی از درک فلسفی و بیولوژیکی ماست که هوش مصنوعی باید با یک همتای بیولوژیکی کار کند.”
رابرت لانگر ، یکی از بنیانگذاران Moderna ، در هیئت مشاوره علمی است و در همان مصاحبه به TechCrunch گفت که من موافق هستم و انتظار دارد این تکنیک به سرعت مورد استفاده قرار گیرد ، اما نه لزوماً توسط شرکتهای بزرگ داروسازی محافظه کار.
او گفت: “به نظر می رسد این یک فرصت بسیار بزرگ است.” “من ایده های مشابهی در زمینه های دیگر شیمی داشتم ، که می توانید از هوش مصنوعی برای ایجاد این پیش بینی ها استفاده کنید. مطمئناً جایگزین آزمایش نمی شود ، اما احتمالات را محدود می کند ، و به نظر من این امر به سرعت کار را بسیار افزایش می دهد. “
داشتن شخصی مانند لانگر در کنار شما (همراه آرون سیچاناور برنده جایزه نوبل) بسیار خوب است ، اما بنتویچ می گوید که آنها بیشتر به مجموعه ثبت اختراعات خود و اولین مزیت متحرک خود متکی هستند تا بتوانند در خانه وارد شوند. توافق با بنیاد سلول های بنیادی NY به آنها دسترسی ویژه ای به گردش کار سلول های بنیادی آن سازمان می دهد.
مدل تجاری دو جنبه دارد. یکی ارائه خدمات به یک شرکت داروسازی برای غربالگری نامزدهای دارویی آنها ، با توجه به اینکه نتایج دقیق نشان می دهد – به عنوان مثال ، دارویی که توسط سیستم تصفیه شده است ، همانطور که پیش بینی شده بود به یک مرحله آزمایشی معین می رسد. دیگری این است که روی داروهای خودشان کار کنند. در حال حاضر این شرکت درمانی برای بیماری شکننده X وابسته به اوتیسم دارد که سال آینده برای آزمایش بالینی انجام خواهد شد.
بنتویچ خاطرنشان کرد که علیرغم گسترش و سرمایه گذاری در کشف داروهای مبتنی بر هوش مصنوعی ، تعداد کمی از شرکت ها می توانند ادعا کنند که دارای مولکول ناشی از کار آنها در آزمایشات بالینی است. این امر به این دلیل نیست که آنها آنچه را که ادعا می کنند انجام نمی دهند ، به عنوان مثال ، مولکول ها را با فعالیت زیستی مشخص یا روشی برای تولید م themثر آنها شناسایی می کنند ، بلکه به این دلیل است که مراحل زیادی در کشف ، آزمایش و تأیید طولانی وجود دارد که شانس رسیدن به آن ، در حالی که بالاتر از زمان گذشته بود ، هنوز بسیار کم است.
بنتویچ می گوید: سرمایه گذاری 9 میلیون دلاری “به ما کمک زیادی می کند تا راه اندازی موجود را به پایان برسانیم ، آن را کارآمدتر و خودکارتر کنیم و صد یا هزار داروی اولیه را برای آموزش هوش مصنوعی آزمایش کنیم.” این دور توسط “Dr. جودیت ریشتر و دکتر کوبی ریشتر ، پیشگامان مداخلات درمانی قلب و عروق ، با مشارکت موشه یانایی ، رهبر اختلال در ذخیره سازی داده ها و سرمایه گذاران فرشته استراتژیک ، “همانطور که در مطبوعات آمده است. فقدان مشخص سرمایه سازمانی – خودتان نتیجه گیری کنید.
چشم انداز بنتویچ در مورد این شرکت بخشی از دیدگاه کلی وی در مورد “پزشکی کاملاً شخصی” است. اگر هزینه سلول های بنیادی همچنان کاهش یابد (در حال حاضر از میلیون ها به هزاران رسیده است) ، بازارهای کاملاً جدیدی باز می شود.
“این دیگر فقط انجام آزمایش های گران قیمت برای شرکت های داروسازی نخواهد بود. در عرض 5 تا 10 سال ، ممکن است این کاری باشد که صدها میلیون نفر انجام می دهند. اگر به آن فکر کنید ، در واقع نوعی وحشیانه است که ما در حال حاضر چگونه زندگی می کنیم. ” “شما به داروساز مراجعه کنید و آنها عوارض جانبی احتمالی را لیست می کنند ، اما شما به طور دقیق نمی دانید. چی ، تو خوکچه هندی هستی؟ پاسخ این است: بله ، ما همه خوکچه هندی هستیم. اما این اولین قدم با آن فاصله دارد. “