ویجی پانده، که پیش از ورود به سرمایهگذاری با پروژهٔ محاسبات توزیعی Folding@home شناخته میشد، پس از مدیریت نزدیک به چهار میلیارد دلار در a16z، شرکت سرمایهگذاری VZVC را تأسیس کرد. رویکرد کلیدی او: بهجای پراکندگی سرمایه روی دهها شرکت، سالانه تنها چند شرط متمرکز ببندند و با تکیه بر دادههای اختصاصی و هوش مصنوعی، اثرگذاری فنی و کاهش ریسک را دنبال کنند.
علت تغییر رویکرد: چرا از مقیاس وسیع به شرطهای متمرکز رفتند
پانده معتقد است در بیوتکنولوژی، ارزش حقیقی از عمق تخصص و دسترسی به دادههای اختصاصی حاصل میشود نه از پخش ریسک بین تعداد زیادی استارتاپ. مدل VZVC با تیم کوچک و بدون ساختارهای معمولی مانند «associate» روی فرصتهایی سرمایهگذاری میکند که امکان ایجاد و بهرهبرداری از مجموعهدادههای خاص و انجام آزمایشهای عملی را فراهم میکنند. بهجای حدود 30 شرط در سال، تمرکز روی 3 تا 5 شرط است که پتانسیل تغییر بنیادین دارند.
مزیتهای تمرکز در عصر دادههای حصارکشیشده
- دادههای زیستی را نمیتوان مانند متن از وب «اسکرِیپ» کرد؛ بسیاری از شرکتها دیتاستهای منحصربهفرد و محافظتشده میسازند.
- سرمایهگذاری روی تیمهایی که میتوانند دیتاست و آزمایش اختصاصی تولید کنند، بازده بیشتری نسبت به پراکندگی سرمایه دارد.
- ترکیب دادهٔ اختصاصی و توان فنی در طراحی آزمایشها به شتابدهی دستاوردهای بالینی کمک میکند.
نقش هوش مصنوعی در کاهش ریسک دارویی
پانده تقسیم کار هوش مصنوعی را در دو حوزه اصلی مشخص میکند: انتخاب اهداف درمانی و طراحی مولکولها، و بهینهسازی کارآزماییهای بالینی. اگرچه هزینه و زمان توسعه پایین آمده، اجرای یک آزمایش بالینی کامل هنوز میتواند صدها میلیون دلار هزینه داشته باشد و نرخ موفقیت از مرحلهٔ اول تا پایان مرحلهٔ سوم حدود 20 درصد است. مدلهای مبتنی بر دادههای انسانی احتمالاً نتایج بهمراتب مرتبطتری نسبت به مدلهای حیوانی ارائه خواهند داد و رسیدن به این نقطه، تحولآفرین خواهد بود.
پزشکی دقیق و شخصیسازی درمان
مفهوم «داروی دقیق» (precision medicine) به این معناست که نتایج آزمایش هر فرد با میانگین جمعیت مقایسه نشود، بلکه مشخص شود آن نتیجه برای همان فرد چه معنیای دارد و کدام درمان مناسبتر است. پیشرفت در پروتئومیکس، اتوماسیون رباتیک اندازهگیری و مدلهای یادگیری ماشین امکان ساخت تصویری پویا و شخصی از وضعیت بدن را فراهم کرده است، نه صرفاً بر پایهٔ ژنوم ایستا.
پیچیدگی دسترسی و پیامدهای رقابتی
وقتی شرکتها دیتاستهای اختصاصی تولید میکنند، دو پیامد مهم بهوجود میآید:
- مزیت رقابتی برای بازیگران بزرگ یا سرمایهگذارانی که توان مالی ساخت و نگهداری این دیتاستها را دارند.
- محدود شدن دسترسی عمومی به فناوریهای نوین و برجسته شدن معضل توزیع عادلانهٔ نتایج پزشکی، که جنبههای سیاسی و اخلاقی جدی دارد.
پانده این مسائل را از مهمترین چالشهای زیستفناوری مبتنی بر هوش مصنوعی میداند: پیشرفت فنی زیاد است، اما توزیع منصفانهٔ دستاوردها مشخص نیست.
چشمانداز سرمایهگذاری در بیوتک
پانده پیشبینی میکند در سالهای آینده ترکیب چند روند ادامه خواهد یافت: افزایش اندازه و تنوع دادههای بالینی و مولکولی، رشد ابزارهای شبیهسازی و طراحی مولکولی مبتنی بر یادگیری ماشین، و تمرکز سرمایهگذاری بر تیمهایی که هم دادهٔ اختصاصی دارند و هم توان اجرای آزمایشهای واقعی را دارند. بازیگران کوچکتری مانند VZVC میتوانند نقش آزمایشکنندهٔ ایدههای جسورانه و شریک فنی برای پروژههای عمیقتر را ایفا کنند؛ البته ابهامات اخلاقی و توزیعی دربارهٔ دسترسی به نوآوریها همچنان پابرجاست.
نکات کلیدی برای سرمایهگذاران و پژوهشگران
- ارزیابی توانایی تیم در تولید یا دسترسی به دیتاستهای اختصاصی، معیار اساسی در تصمیمگیری سرمایهگذاری خواهد بود.
- همپوشانی مهارتهای فنی و ظرفیت آزمایشی (lab execution) ارزش افزودهٔ بالاتری نسبت به صرفاً مدلسازی دادهای ایجاد میکند.
- بحثهای مربوط به عدالت دسترسی و سیاستگذاری سلامت باید همزمان با توسعه فناوری پیش بروند تا مزایا به جمعیتهای گستردهتری برسد.
منابع مرتبط: گزارشهای تخصصی حوزهٔ سرمایهگذاری و بیوتکنولوژی؛ صفحات ویکیپدیا دربارهٔ Folding@home و precision medicine برای مطالعهٔ بیشتر.
