چرا کشف دارو با AI وارد مرحله اثبات شده است
کشف دارو با AI چند سالی میان وعده و اثبات معلق بود. ایده جذاب بود: دادههای عظیم زیستی را به مدلها بدهیم، هدفهای بهتر را سریعتر پیدا کنیم، مولکولها را در ماهها طراحی کنیم و بخشی از هزینه سنگین توسعه دارو را کم کنیم. اما چیزی که کم بود شواهد واقعی بود. به همین دلیل ۲۰۲۶ مهم است. بحث از این که «AI شاید داروسازی را متحول کند» به این پرسش سختتر رسیده است: نشانه بالینی کجاست؟
چرا فضا عوض شده است
اکنون صنعت برای نخستین بار دادههای واقعی کافی دارد تا AI را فقط با سرعت کشف اولیه قضاوت نکند. در موج اول، شرکتها بیشتر با سرعت رسیدن از شناسایی هدف تا نامزد پیشبالینی سنجیده میشدند. این مهم بود، اما کافی نبود. اگر ترکیب نهایی در کلینیک دوام نیاورد، سرعت آغاز ارزش محدودی دارد.
به همین دلیل برنامههایی مانند rentosertib از Insilico Medicine با دقت دنبال میشوند. اهمیت این نمونه در آن است که AI نه فقط برای تولید یک ارائه جذاب، بلکه در زنجیره واقعی کشف و سپس آزمون انسانی به کار رفته است. یک برنامه موفق کل میدان را اثبات نمیکند، اما فاصله میان کارایی آزمایشگاهی و نتیجه برای بیمار را کمتر میکند.
از داستان نرمافزار به داستان زیستفناوری
کشف دارو مسئلهای شبیه نرمافزار نیست. نمیتوان نسخه بتا منتشر کرد، شبانه باگها را اصلاح کرد و فقط با افزایش استفاده اعلام موفقیت نمود. زیستشناسی پر از نویز است و سازوکار بیماریها پیچیدهاند. برای همین آزمون واقعی AI این نیست که الگوها را پیدا کند، بلکه این است که آیا به دانشمندان کمک میکند شرطهای زیستی بهتری ببندند یا نه.
به همین دلیل لحن بازیگران جدی این حوزه هم تغییر کرده است. ادعاها کمتر درباره جایگزینی شیمی دارویی است و بیشتر درباره بهبود اولویتبندی هدفها، محدود کردن فضای جستوجو، رتبهبندی نامزدها، کشف روابط پنهان در دادههای اومیکس و طراحی آگاهانهتر کارآزماییهاست. AI بیشتر به بخشی از جعبهابزار تحقیق بدل شده، نه جادو.
سیگنال رگولاتوری هم مهم است
FDA و دیگر نهادها نیز AI را دیگر یک حاشیه آیندهنگر نمیبینند. چارچوبهای اعتبار مدل، ریسک و استفاده از ابزارهای الگوریتمی در پروندههای دارویی در حال رسمیتر شدن است. این روند برای صنعت مثبت است، چون اگر داروهای کشفشده با AI جدی گرفته شوند، روشهای پشت آنها باید قابل بازرسی و قابل تکرار باشند.
نمونههایی مانند AlphaFold نیز همین درس را تقویت کردهاند. پیشبینی ساختار پروتئین تحولآفرین بود، اما تبدیل آن به داروی تأییدشده همچنان به زیستشناسی آزمایشی، شیمی، سمشناسی، تولید و اجرای بالینی نیاز دارد. برندهها کسانی خواهند بود که این لایهها را به هم وصل کنند.
سرمایهگذاران چه میآموزند
برای مدتی، AI در کشف دارو شبیه یک دسته SaaS سریعتر با مزیت زیستی روایت میشد. این نگاه باعث شد بازار به سرعت، گستره پلتفرم و داستانگویی بیشتر از اثبات پاییندستی پاداش دهد. اما زیستفناوری حافظه بلندی دارد. اگر داده انتقالی و بالینی معتبر نباشد، ارزیابیهای بالا خیلی زود با همان پرسشهای سخت همیشگی روبهرو میشوند.
در ۲۰۲۶ سرمایهگذاران هنوز به این حوزه علاقهمندند، اما گزینشیتر شدهاند. میخواهند بدانند آیا پلتفرم دارایی متمایز میسازد، آیا آن دارایی اثر بالینی معنادار نشان میدهد، آیا داده اختصاصی کافی برای حفظ مزیت وجود دارد و آیا AI مزیتی دفاعپذیر میآفریند یا فقط لایهای براق روی علم برونسپاریشده است.
جایی که AI امروز واقعاً قوی است
بهترین استدلال برای AI این نیست که عدم قطعیت را حذف میکند، بلکه این است که به دانشمندان کمک میکند عدم قطعیت را هوشمندانهتر خرج کنند. این مدلها در اولویتبندی هدف، تحلیل ساختار، طراحی مولکولی، پیشبینی ADMET، کشف زیستنشانگر و حتی انتخاب برنامههای شکستخوردهای که ارزش بازبینی دارند مفیدند. اینها دستاوردهای کوچکی نیستند.
همزمان، نقش AI در بخشهای کمزرقوبرقتر توسعه، مانند جذب بیمار برای کارآزمایی، طراحی پروتکل و کشف سیگنال در دادههای بالینی آشفته، شاید به اندازه طراحی مولکول مهم شود. اگر نسل اول بر تولید ترکیب تمرکز داشت، نسل دوم با بهبود کل مسیر تصمیمگیری سنجیده خواهد شد.
آزمون اصلی هنوز پیش روست
با این حال، هنوز برای اعلام پیروزی زود است. یک یا دو برنامه امیدوارکننده نشان نمیدهد که این رویکرد در همه بیماریها کار میکند. برخی حوزهها برای کشف مبتنی بر AI مناسبتر خواهند بود و برخی دادهها همچنان برای پیشبینی قابل اتکا بسیار پراکنده یا سوگیرانهاند. کار اصلی حالا این است که مشخص شود AI دقیقاً کجا شانس موفقیت را بالا میبرد.
همین نقطه است که ۲۰۲۶ را جذاب میکند. این حوزه از عصر اسلایدهای تبلیغاتی فاصله میگیرد و وارد دورهای میشود که پژوهشگران، رگولاتورها و سرمایهگذاران میپرسند آیا مولکولهای طراحیشده واقعاً از توسعه بالینی جان سالم به در میبرند یا نه. این معیار بسیار سختتر است، اما تنها معیاری است که اهمیت دارد.