Vivodyne بزرگ‌ترین «مرکز داده انسانی» را افتتاح کرد

Vivodyne، شرکت مشتق از دانشگاه پنسیلوانیا، هفتهٔ گذشته در حوالی سن‌فرانسیسکو مرکزی را راه‌اندازی کرد که آن را «بزرگ‌ترین مرکز داده انسانی» می‌نامد. این مرکز مبتنی بر مجموعه آزمایشگاه‌های رباتیک مدولار HIVE طراحی شده تا داده‌های زیستی زمان‌مند و علّی تولید کند—نوع داده‌ای که در بسیاری از مدل‌های یادگیری ماشین کشف دارو کمبود آن محسوس است.

چالش داده‌ای در کشف دارو

بخش عمده‌ای از داده‌های کنونی در کشف دارو از آزمایش‌های حیوانی یا نمونه‌های ایستا سلولی به‌دست می‌آیند. آندری جورجسکو، مدیرعامل Vivodyne، پرسیده است که بدون داده‌های انسانی آزمایشی، مدل‌ها چگونه رفتار خواهند کرد؛ او هشدار می‌دهد که مدل‌ها ممکن است نتایجی را نشان دهند که در حیوانات کارآمد است اما در انسان قابل تعمیم نیست. این دیدگاه در تقابل با خوش‌بینی‌های بیش‌ازحد نسبت به توان هوش مصنوعی برای حل مسائل پیچیده بالینی قرار دارد.

HIVE چه کاری انجام می‌دهد؟

HIVE مجموعه‌ای از آزمایشگاه‌های رباتیک مدولار است که قادر به رشد و نگهداری حدود 20 نوع بافت انسانی بوده، به‌صورت خودکار آن‌ها را دوزدهی و پایش می‌کند و صدها هزار آزمایش هم‌زمان تولید می‌کند. هدف اصلی تولید داده‌های علّی است تا مدل‌ها بتوانند مسیرهای دینامیک و علت‌ومعلولی بین حالات سلولی را بیاموزند، نه فقط تصاویر ایستا از وضعیت نهایی.

نمای داخلی آزمایشگاه رباتیک HIVE و سامانه‌های خودکار کشت بافت

ادعاها و اعداد کلیدی

  • Vivodyne ادعا می‌کند که سلول‌های کبدی تولیدشدهٔ آن 94% در پیش‌بینی سمیّت با داده‌های کارآزمایی‌های انسانی همخوانی دارند.
  • بافت مجاری هوایی این شرکت در 96% موارد رفتار بافت واقعی انسان را بازتولید می‌کند و نمونه‌های مغز استخوان در تست 20 داروی شیمی‌درمانی 100% انطباق نشان داده‌اند.
  • این شرکت تاکنون نزدیک به $80,000,000 جذب سرمایه کرده و دورهای سرمایه‌گذاری آن توسط سرمایه‌گذارانی از جمله Khosla Ventures رهبری شده است.

اهمیت این داده‌ها برای مدل‌های پیش‌بینی

اکثر مدل‌های فعلی از نمونه‌های ایستا و نقطه‌ای آموزش می‌بینند و قادر به استخراج روابط علّی و مسیرهای دینامیک میان حالات نیستند. داده‌های زمان‌مند و آزمایشی مثل آنچه HIVE تولید می‌کند می‌تواند امکان یادگیری علّی و ارزیابی بهتر واکنش سلولی به مداخلات دارویی را فراهم کند. پژوهش‌ها در منابعی مانند Nature Methods نیز به نیاز به داده‌های مقیاس‌پذیر، زمان‌مند و با کیفیت برای آموزش مدل‌های مولد اشاره دارند.

مقایسه با وضعیت کنونی صنعت داروسازی

نرخ شکست بالا در کارآزمایی‌های انسانی یکی از بزرگ‌ترین مسائل صنعت داروسازی است؛ نزدیک به 90% از داروهایی که در مدل‌های حیوانی موفق‌اند در انسان موفق نمی‌شوند. سازمان‌هایی مانند FDA معیارهای سخت‌گیرانه‌ای دارند و Vivodyne معتقد است داده‌های انسانی آزمایشی می‌تواند قبل از ورود به کارآزمایی‌های پرهزینه، شانس موفقیت را بهتر برآورد کند و هزینه‌های توسعه را کاهش دهد.

فرصت‌ها و محدودیت‌ها

Vivodyne اعلام کرده ظرفیت عملیاتی‌اش در حال حاضر دو برابر کل آزمایش‌های حیوانی در ایالات متحده است و با چند شرکت داروسازی بزرگ همکاری دارد، اما چالش‌هایی باقی است:

  • بازتولید کامل پیچیدگی سیستم‌های زندهٔ انسان در محیط ظرف آزمایش همچنان محدود است.
  • نیاز به استانداردسازی و پذیرش داده‌ها توسط نهادهای نظارتی وجود دارد تا این داده‌ها به‌عنوان شواهد قابل اعتماد در فرایندهای تصمیم‌گیری پذیرفته شوند.
  • ادغام داده‌های تولیدشده با مدل‌های پیش‌بینی نیازمند پژوهش‌های گسترده برای اعتبارسنجی و بررسی تعمیم‌پذیری است.

جایگاه Vivodyne در چشم‌انداز هوش مصنوعی و زیست‌فناوری

پیشرفت‌های الگوریتمی مانند AlphaFold نشان داده‌اند که الگوریتم‌ها می‌توانند ابزارهای قدرتمندی فراهم کنند، اما تبدیل این توانایی‌ها به داروهای مؤثر مستلزم دسترسی به داده‌های دقیق‌تر، زمان‌مند و انسانی است. Vivodyne می‌خواهد نقش تأمین‌کنندهٔ داده‌های انسانی را برای نسل بعدی مدل‌ها ایفا کند تا مطالعات و ادعاهای درمانی بر پایهٔ داده‌های نزدیک‌تر به انسان بنا شوند، نه صرفاً روی نتایج حیوانی یا نمونه‌های سلولی منفرد.

آینده نزدیک

با افزایش مقیاس و گسترش همکاری‌های صنعتی و پژوهشی، هدف تولید داده‌هایی است که امکان طراحی درمان‌های پیچیده‌تر از جمله ترکیب‌درمانی‌هایی که چند مسیر بیولوژیک را هدف می‌گیرند، فراهم شود. تحقق این چشم‌انداز می‌تواند روند توسعه دارو را از آزمون‌وخطاهای پرهزینه انسانی به فرایندی مبتنی بر شبیه‌سازی‌های انسانی‌محور نزدیک‌تر کند.

نکات کلیدی

  • Vivodyne با HIVE به‌دنبال تولید داده‌های زمان‌مند و علّی انسانی برای تقویت مدل‌های کشف دارو است.
  • ادعاها شامل انطباق بالا در برخی بافت‌ها با داده‌های کارآزمایی انسانی و جذب سرمایه قابل‌توجه است.
  • موانعی مثل بازتولید کامل پیچیدگی زیستی و پذیرش نظارتی باید برطرف شود تا این داده‌ها به‌طور گسترده در فرایند توسعه دارو استفاده شوند.

منابع و خواندنی‌های مرتبط: گزارش‌های صنعتی و مقالات مروری در TechCrunch، نشریات علمی مانند Nature Methods و صفحه مرجع AlphaFold برای مطالعهٔ بیشتر در دسترس‌اند.