← بازگشت به جدیدترین خبرها
اکتبر 29, 2026

آنتروپیک چگونه از کلود برای کشف داروی تازه استفاده می‌کند؟

آنتروپیک، شرکت سازنده‌ی هوش مصنوعی کلود، در گزارشی تازه از پیشرفت‌های اولیه‌ی خود در به‌کارگیری هوش مصنوعی کلود در کشف دارو پرده برداشت. بر اساس این گزارش، تیم علوم زیستی آنتروپیک طی چند ماه گذشته با شش سازمان فعال در حوزه‌ی داروسازی وارد همکاری پژوهشی عمیق شده و هم‌زمان چند برنامه‌ی کشف دارو را هم مستقیماً خودش شروع کرده است. این اتفاق نشان می‌دهد که کاربرد هوش مصنوعی در پزشکی دیگر محدود به پیشنهاد ساختار مولکول‌های جدید نیست و حالا تا عمق فرایند توسعه‌ی دارو، از طراحی گرفته تا تولید صنعتی و مستندسازی قانونی، پیش رفته است.

زمینه و پس‌زمینه

توسعه‌ی یک داروی جدید فرایندی طولانی، پرهزینه و پر از نقطه‌های گیر است. شناسایی هدف درمانی مناسب، طراحی مولکولی با خصوصیات دقیق، بهینه‌سازی آن برای تولید پایدار در مقیاس صنعتی، نوشتن مستندات نظارتی لازم برای اجرای کارآزمایی‌های بالینی و در نهایت طراحی و اجرای خود کارآزمایی‌ها، هر یک گلوگاه‌های جداگانه‌ای دارند. آنتروپیک در این گزارش تأکید می‌کند که راه‌حل واحدی برای این مسیر وجود ندارد و تنگناها در سراسر زنجیره‌ی توسعه‌ی دارو پخش شده‌اند؛ به همین دلیل بهترین راه برای شناسایی و رفع این تنگناها، ورود مستقیم به برنامه‌های واقعی دارویی در حوزه‌های بیماری و مراحل مختلف توسعه است.

به همین منظور، آنتروپیک با شش سازمان همکاری کرده: BigHat Biosciences، Bristol Myers Squibb، Divergence Labs، Enveda، Generate Biomedicines و The Column Group. در کنار این همکاری‌ها، خود آنتروپیک هم چند برنامه‌ی کشف داروی مستقل راه‌انداخته، از جمله پروژه‌هایی روی بیماری‌های نادر دیستروفی عضلانی در کودکان که کلود بخش زیادی از کارهای علمی و عملیاتی آن را انجام می‌دهد.

تحلیل: چه چیزی در عمل تغییر کرده است؟

یکی از جالب‌ترین نمونه‌ها مربوط به Generate Biomedicines است که روی بهبود درمان سرطان با روش CAR T-cell کار می‌کند. این درمان تا امروز بیشتر برای سرطان‌های خونی مؤثر بوده و تیم Generate می‌خواهد آن را برای تومورهای سخت هم کارآمد کند. شش دانشمند این شرکت با استفاده از کلود کد توانستند بخشی از دستورالعمل ژنتیکی این درمان را حدود ۷۰ درصد کوتاه‌تر طراحی کنند؛ طراحی‌ای که در آزمایش‌های آزمایشگاهی مؤثرتر هم از آب درآمد: سلول‌های ایمنی توانستند تقریباً ده برابر بیشتر گیرنده (همان پروتئین‌هایی که سلول‌های سرطانی را شناسایی می‌کنند) بسازند، سلول‌های سرطانی را کارآمدتر از بین ببرند و مدت فعال‌ماندنشان هم بیشتر شود.

نمونه‌ی دیگر Divergence Labs است که روی درمان تازه‌ای برای آلرژی غذایی کار می‌کند. آلرژی غذایی با واکنش مولکولی به‌نام IgE تحریک می‌شود که بخشی از آن به سلول‌های ایمنی بدن چسبیده و بخشی دیگر در خون آزادانه شنا می‌کند. داروهای استاندارد فقط IgE شناور در خون را خنثی می‌کنند، اما Divergence Labs می‌خواهد دارویی بسازد که IgE را کاملاً از سلول‌های ایمنی جدا کند؛ کاری که به طراحی دقیقی با دو «بازو» نیاز دارد. کلود اهداف این شرکت را به یک نقشه‌ی طراحی دقیق تبدیل کرد و سپس تقریباً به‌طور خودکار در حدود یک ماه چیزی نزدیک به ۳۵ هزار طرح آنتی‌بادی تولید کرد که باید غربال و آزمایش می‌شدند. در آزمایش‌های اولیه، سه طرح توانستند به IgE متصل شوند و ۲۰ طرح توانستند آن را از سلول جدا کنند؛ سه مورد از همان ۲۰ طرح، نتیجه‌ی بهتری از داروی استاندارد نشان دادند.

در مورد BigHat Biosciences که آزمایشگاه خودکار را با هوش مصنوعی ترکیب می‌کند، کلود به سیستم داده‌ی آزمایشگاهی این شرکت (به‌نام Reccy) وصل شد و پیشنهادهایی برای بهبود دو «لید» دارویی (قطعاتی از آنتی‌بادی که می‌توانند بخشی از داروهای آینده باشند) ارائه داد. تیم BigHat در حدود ده هفته نزدیک به ۱۰۱۰ نسخه‌ی مختلف ساخت و آزمایش کرد. نکته‌ی مهم اینجاست که در میانه‌ی کار، کلود و پژوهشگر همکارش متوجه شدند که معیارهای استاندارد پایداری گرمایی و چسبندگی ممکن است گمراه‌کننده باشند، بنابراین داده‌های خام را دوباره تحلیل کردند و معیار و پروتکل جدیدی پیشنهاد دادند که بعد از اجرا، درست از آب درآمد. نتیجه؟ نسخه‌های بهینه‌شده بیش از ده برابر محکم‌تر به هدف خود متصل شدند و پایداری‌شان به‌طور قابل‌توجهی بهتر شد.

Enveda هم نمونه‌ای از کاربرد کلود در بخش تولید و مستندسازی قانونی است؛ بخشی که معمولاً کمتر دیده می‌شود اما زمان زیادی از شیمی‌دان‌های تولید را می‌گیرد. در Enveda، شیمی‌دان‌ها تا ۷۵ درصد زمان خود را صرف کاغذبازی می‌کردند. این شرکت سیستمی ساخت که همه‌ی مستندات تولید را به کلود وصل می‌کند تا مشکلات احتمالی را علامت‌گذاری کند. در آزمایشی روی ۱۰۶۱ صفحه مستند، کلود تمام ۱۱ مشکلی را که بازبین‌های انسانی پیدا کرده بودند شناسایی کرد و هفت مورد دیگر را هم که از دید انسان پنهان مانده بود، پیدا کرد. این کار زمان بازبینی انسانی را ۸۹ درصد کاهش داد، از بیش از ۲۵ ساعت به کمتر از سه ساعت. کلود همچنین پیش‌نویس دو سند نظارتی مهم را نوشت؛ یکی از آن‌ها که به‌صورت دستی حدود سه ماه زمان می‌برد، تنها در چهار ساعت آماده شد.

در نهایت، The Column Group روی مدل کسب‌وکار کار می‌کند: چون کشف دارو کند، پرهزینه و پر از شکست است، سرمایه‌گذاران معمولاً ایده‌های کم‌ریسک و تاییدشده را ترجیح می‌دهند. این شرکت با آنتروپیک همکاری کرده تا ببیند آیا کلود می‌تواند با کاهش زمان و هزینه‌ی کشف دارو، اعتماد سرمایه‌گذاران به ایده‌های جدی‌تر و پرریسک‌تر را افزایش دهد یا نه؛ آن‌ها حتی شرکت تازه‌ای به‌نام Pleiades راه‌انداخته‌اند که با کلود، برنامه‌های دارویی بیشتر و پیچیده‌تری را با تیم کوچک‌تر مدیریت می‌کند.

آنتروپیک در این گزارش تأکید می‌کند که این پروژه‌ها سه هدف دارند: نخست، فهم بهتر نقاط قوت و ضعف مدل‌های کلود در طیف وسیع‌تری از کارهای دارویی (که از همین حالا منجر به بهبودهای مشخصی در مدل شده است)؛ دوم، ایجاد نمونه‌های موردی برای کل جامعه‌ی علوم زیستی تا شرکت‌های بیوتکنولوژی بیشتری بتوانند کلود را عمیق‌تر در فرایندهای خود ادغام کنند؛ و سوم، تأثیر مستقیم این پروژه‌ها در صورت ادامه‌ی روند مثبت‌شان، از جمله احتمال رسیدن به داروهای مؤثر تازه برای آلرژی غذایی، بیماری‌های نادر کودکان و چند نوع سرطان.

نکته‌ی مهمی که از این گزارش برمی‌آید این است که هوش مصنوعی در صنعت دارو دیگر صرفاً ابزار «پیشنهاد مولکول» نیست، بلکه در تحلیل داده‌های خام آزمایشگاهی، طراحی پروتکل آزمایش، نوشتن مستندات نظارتی و حتی تصمیم‌گیری درباره‌ی مدل کسب‌وکار شرکت‌های نوپای دارویی هم نقش دارد. اگر این روند با همین سرعت ادامه پیدا کند، ممکن است در سال‌های پیش رو شاهد کوتاه‌شدن قابل‌توجه زمان رسیدن داروهای تازه به بیماران باشیم؛ موضوعی که هم برای صنعت دارو و هم برای بیماران در سراسر دنیا اهمیت زیادی دارد.

منبع: Anthropic

SOS سایتت خوابیده؟