الأدوية المصممة بالذكاء الاصطناعي تدخل التجارب السريرية، وعام 2026 هو العام الذي سنعرف فيه ما إذا كانت فعالة فعلاً

الأدوية المصممة بالذكاء الاصطناعي أصبحت الآن في تجارب بشرية، والصناعة على وشك معرفة ما إذا كان الاكتشاف الأسرع يترجم إلى دواء أفضل. هذان ادعاءان منفصلان، وعام 2026 هو العام الذي سيتم فيه اختبارهما بشكل منفصل.

الادعاء الأول — أن الذكاء الاصطناعي يسرع اكتشاف الدواء — أمر محسوم. نماذج Machine Learning الآن تحدد الأهداف الواعدة، وتنتج جزيئات مرشحة، وتتنبأ بسلوك الارتباط في جزء صغير من الوقت الذي كانت تتطلبه الفحوصات المخبرية التقليدية. الادعاء الثاني — أن الأدوية المكتشفة بالذكاء الاصطناعي تعمل بشكل أفضل بمجرد وصولها إلى المرضى — لم يُحسم إطلاقاً. لم يتم اختباره على نطاق واسع، لأنه حتى هذا العام، تقدم عدد قليل من المرشحين المصممين بالذكاء الاصطناعي بما يكفي عبر التطوير السريري لإنتاج بيانات حقيقية عن الفعالية والسلامة. في عام 2026، تصل موجة منها في وقت واحد إلى تجارب المرحلة 2 والمرحلة 3، مما يعني أن الصناعة تحصل على أول إجابة حقيقية.

ما الذي تغير بالفعل في النماذج الأساسية

التحول التقني وراء هذه الموجة بدأ مع AlphaFold 3، الذي أصدرته Google DeepMind في عام 2024. الإصدارات السابقة من AlphaFold كانت تتنبأ بالبنية المطوية لبروتين واحد من تسلسل الأحماض الأمينية — مفيدة، ولكنها محدودة بجزيء واحد منفرد. AlphaFold 3 وسع التنبؤ ليشمل كيفية تفاعل البروتينات مع البروتينات الأخرى، ومع DNA و RNA، ومع الروابط الجزيئية الصغيرة — الحدث الفيزيائي الفعلي الذي يحتاجه الدواء ليعمل. هذا مهم لأن معظم الأمراض لا تسببها بروتين مطوي بشكل خاطئ بمفرده؛ بل تنطوي على ارتباط جزيء بآخر، أو تثبيطه، أو تشغيله.

ومع ذلك، التنبؤ بالبنية وحده لا يصمم دواءً — إنه يصف ما هو موجود بالفعل. الخطوة التالية هي التصميم التوليدي: بناء جزيء جديد تماماً مصمم لربط هدف محدد. NVIDIA قدمت Proteina-Complexa في GTC 2026 كجزء من منصتها BioNeMo، وهو نموذج توليدي مبني خصيصاً لتصميم روابط بروتينية جديدة بدلاً من التنبؤ بشكل الروابط المعروفة. Novo Nordisk و Viva Biotech و Manifold Bio تستخدمه لتوليد مرشحات رابط للأهداف العلاجية، ثم تضييق آلاف الخيارات المحسوبة إلى عدد قليل يستحق التوليف والاختبار.

هناك قيد منفصل يتم معالجته أيضاً: معظم التنبؤات البنيوية تنتج لقطة ثابتة، لكن البروتينات ليست ثابتة — فهي تنحني وتتحول وتغير شكلها مع اقتراب الدواء وارتباطه. منصة تسمى YuelDesign، إلى جانب أدوات ذات صلة YuelPocket و YuelBond، تقوم بنمذجة عملية الارتباط الديناميكية تلك بدلاً من تشكل واحد متجمد، بهدف إنتاج تنبؤات أكثر دقة لكيفية تصرف الجزيء المرشح فعلياً داخل الخلية. التنبؤ البنيوي الثابت يمكن أن يفوت فشل الارتباط الذي يظهر فقط عندما يتحرك البروتين الهدف.

ما ينتقل من شاشة الكمبيوتر إلى التجربة البشرية

في الربع الأول من 2026، أوراق بحثية محكمة نشرت تحققاً تجريبياً لجزيئات مصممة بالذكاء الاصطناعي وأدوات بيولوجية في إعدادات ما قبل السريرية — بمعنى أن التصاميم صمدت في الاختبارات المخبرية، وليس فقط في المحاكاة. خطوة التحقق هذه هي السبب في تقدم مجموعة من المرشحين الآن إلى التقييم البشري. الطرائق التي تدخل التجارب هي العلاجات الببتيدية، والأجسام المضادة، والمرشحات القائمة على mRNA — ثلاث فئات دوائية مختلفة جداً بخطوط إنتاج مختلفة، وطرق فشل مختلفة، وتواريخ تنظيمية مختلفة، وهو أمر مفيد في حد ذاته: إذا نجحت الأدوية المصممة بالذكاء الاصطناعي في طريقة واحدة ولكن ليس في أخرى، فهذا يخبر الباحثين أين تكمن نقاط قوة التكنولوجيا فعلياً.

أرقام التبني التي يستشهد بها الجميع، وما لا تقيسه

تشير استبيانات الصناعة إلى أن حوالي نصف شركات التكنولوجيا الحيوية التي تستخدم الذكاء الاصطناعي في تطوير الأدوية ترى وقتاً أسرع للوصول إلى الهدف، و 42٪ يبلغون عن تحسن في الدقة أو معدلات الضرب في نماذجهم الحاسوبية. يتم الاستشهاد بهذه الأرقام باستمرار كدليل على أن اكتشاف الأدوية بالذكاء الاصطناعي يعمل. إنها حقيقية، لكنها تقيس شيئاً أضيق من "يعمل". وقت الوصول إلى الهدف ومعدل الضرب يصفان كفاءة تحرك الشركة من سؤال بحثي إلى جزيء مرشح يستحق الاختبار. لا يقولان شيئاً عن سلامة ذلك الجزيء، أو ما إذا كان يجتاز تجربة المرحلة 2، أو ما إذا كان يتفوق على دواء تم اكتشافه بالطريقة التقليدية بمجرد وجوده داخل جسم الإنسان. يمكن لشركة أن تخفض وقت اكتشافها إلى النصف وترى مع ذلك الجزيء الناتج يفشل في العيادة — تلك النتيجة ستكون متسقة تماماً مع أرقام 50٪/42٪، لأن تلك الأرقام لم تكن تقيس النجاح السريري في المقام الأول.

لماذا السرعة لا تضمن النجاح

معدل الفشل الأساسي للتكنولوجيا الحيوية هو سبب أهمية هذا التمييز. المرشحون الدوائيون الذين يدخلون التجارب السريرية يفشلون في أغلب الأحيان، بغض النظر عن كيفية اكتشافهم — المرحلة 2 على وجه الخصوص كانت تاريخياً المكان الذي تموت فيه الجزيئات الواعدة، غالباً لأن الفعالية في البشر لا تتطابق مع ما توقعته النماذج قبل السريرية. الاكتشاف القائم على الذكاء الاصطناعي لم يغير هذه الديناميكية بعد، لأنه حتى 2026 لم يكن هناك حجم كافٍ من المرحلة السريرية المصممة بالذكاء الاصطناعي لمعرفة ما إذا كان سيفعل. النموذج الجيد جداً في التنبؤ بما إذا كان الجزيء سيرتبط بهدفه لا يقول شيئاً عما إذا كان ربط ذلك الهدف سيعالج المرض فعلاً، أو ما إذا كان الجزيء ساماً بجرعة فعالة، أو ما إذا كان يتصرف بشكل يمكن التنبؤ به عبر مجموعة مرضى متنوعة وراثياً. هذه هي الأسئلة التي توجد تجارب المرحلتين 2 و 3 للإجابة عليها، ولا قدر من التطور الحسابي في المراحل المبكرة يمكن أن يحل محل تلك البيانات.

ما الذي يجب مراقبته في 2026

للمستثمرين، ومحترفي التكنولوجيا الحيوية، وأي شخص يتابع هذا المجال، الإشارة المفيدة ليست إعلاناً آخر عن سرعة الاكتشاف — بل بيانات التجارب. على وجه التحديد: راقب ما إذا كانت نتائج المرحلة 2 والمرحلة 3 للمرشحين المصممين بالذكاء الاصطناعي تظهر معدلات فشل مختلفة بشكل جوهري عن خطوط الأساس التاريخية للصناعة، في أي اتجاه. راقب أي طريقة تبلغ عن النتائج أولاً — الببتيدات عادة ما تتحرك عبر التجارب أسرع من الأجسام المضادة أو مرشحات mRNA، لذلك قد تصل نتائج الببتيد المبكرة قبل اكتمال الصورة للاثنين الآخرين. راقب ما إذا كانت الشركات التي تستخدم نماذج الارتباط الديناميكي مثل YuelDesign تبلغ عن أداء سريري مختلف عن تلك التي تعتمد بشكل أساسي على التنبؤ البنيوي الثابت، لأن هذا سيكون دليلاً مبكراً على أن النهج الديناميكي ينتج مرشحين أكثر قابلية للترجمة السريرية. وراقب كيف تتحدث Novo Nordisk و Viva Biotech و Manifold Bio عن مرشحاتهم المشتقة من BioNeMo بمجرد وجود بيانات التجارب — استعداد الشركة لنشر النتائج السلبية، وليس الإيجابية فقط، هو مقياس معقول لمعرفة ما إذا كانت الادعاءات الأساسية تصمد تحت التدقيق.