'חוק אירום' וקריסת מודל גילוי התרופות המסורתי
כבר עשרות שנים שתעשיית הפארמה העולמית נאבקת בתופעה המכונה 'חוק אירום' (Eroom's Law – היפוך של Moore's Law), הקובעת כי עלות פיתוח תרופה חדשה מוכפלת מדי תשע שנים. תהליך ארוך, יקר ומסוכן זה, האורך בממוצע 10-15 שנים ועלותו נעה בין מיליארד ל-2.5 מיליארד דולר, מלווה בשיעורי כישלון העולים על 90%. מציאות זו, יחד עם הלחץ הגובר בשוק לתרופות חדשניות ומהירות, דוחפת את התעשייה לחפש פתרונות פורצי דרך. הבינה המלאכותית נתפסת כיום כהימור הגדול ביותר של חברות התרופות להעלות את שיעורי ההצלחה, לקצר את לוחות הזמנים, ובסופו של דבר, להביא לשוק תרופות איכותיות ויעילות יותר בעלות נמוכה משמעותית. היכולת לזהות, לבחון ולמטב תרכובות כימיות במהירות רבה יותר היא המפתח להפחתת הסיכון לכישלונות יקרים בשלבים מאוחרים של הפיתוח.
הבטחת ה-AI בשלבי גילוי מוקדמים: מחיפוש לתכנון
אחד היישומים המבטיחים ביותר של בינה מלאכותית בשלבים המוקדמים של גילוי תרופות הוא זיהוי 'פגיעות' (hit identification). תהליך זה כולל סריקה של ספריות עצומות של מולקולות כנגד מטרה הקשורה למחלה, כגון חלבון ספציפי, במטרה למצוא מולקולות הנקשרות אליו ביעילות. בעבר, תהליך זה התבסס על סריקה אמפירית פיזית של מיליוני תרכובות, אך כיום אנו עדים למעבר דרמטי לעבר תכנון מנבא. חברות תרופות משתמשות ב-AI כדי לתכנן מועמדים לתרופות מאפס ולחזות כיצד יפעלו ויגיבו עם מטרות מחלה, עוד לפני שהן מחויבות למשאבי מחקר ופיתוח פיזיים. גישה זו משחררת את החברות מהמגבלות הפיזיות של תהליכי סריקה, מאפשרת סינון ראשוני ומוקדם של מועמדים באיכות נמוכה, ובכך חוסכת זמן ומשאבים קריטיים בשלבים מוקדמים של הפיתוח.
אתגר ה'קיר נתונים': איכות, כמות ורלוונטיות
למרות ההבטחה הגדולה, היישום הנרחב של AI בגילוי תרופות חשף במהירות את אחד האתגרים המהותיים ביותר: הצורך בנתונים איכותיים, שלמים ומגוונים. מודלי AI רבים שאומנו בשלבים מוקדמים על מאגרי נתונים ציבוריים הגיעו במהרה ל'קיר נתונים' (data wall), מצב שבו המודלים, הניזונים מאותם נתונים, מגיעים למסקנות דומות עם תשואה שולית הולכת ופוחתת. מאגרי נתונים אלו, שלא נבנו מראש מתוך מחשבה על יישומי AI, חסרים לרוב את המבנה, התיוג והגיוון הנדרשים כדי לשמור על דיוק המודלים ולמנוע הטיה. יתרה מכך, מודלי AI עדיין מתקשים לחזות באופן אמין קינטיקה או יכולת פיתוח של תרכובות חדשות, מה שמחייב אימות מעבדתי של כל מועמד שנוצר על ידי AI, ומטיל לחץ הולך וגובר על צוותי המעבדה.
הטיית הפרסום והיעדר 'נתונים שליליים'
בעיה עמוקה נוספת המעכבת את התקדמות ה-AI בתחום היא הטיית הפרסום המדעית. רוב מאגרי הנתונים הציבוריים והפרסומים המדעיים מתמקדים באופן כמעט בלעדי בתוצאות חיוביות – ניסויים שהצליחו, תרכובות שהראו פעילות. איש אינו שש לחלוק את כישלונותיו או את הנתונים ה'שליליים' – אותן תרכובות שלא נקשרו, אותם ניסויים שלא הניבו תוצאות רצויות. הטיה זו, המקבילה לניסיון לפתור בעיה כש'יד אחת קשורה מאחורי הגב', מונעת ממודלי AI הבנה מקיפה של מה שאינו עובד, ובכך פוגעת ביכולתם לבצע תחזיות אמינות ומדויקות יותר. נתונים שליליים, שלרוב קבורים במחברות מעבדה ואינם מפורסמים, הם קריטיים לאימון מודלים לזהות ולמנוע מלכתחילה את הדרך לכישלון.
הצורך באמינות נתונים בעידן של AI גנרטיבי
עם התפתחות ה-AI הגנרטיבי, האתגר של אמינות הנתונים הופך למורכב אף יותר. היכולת לייצר נתונים מדעיים מזויפים או מניפולטיביים הפכה לקלה מאי פעם, ומעלה חששות כבדים לגבי שלמות המידע המשמש לאימון מודלים קריטיים. מחקרים כבר הראו כי אחוז ניכר מהמאמרים הביו-רפואיים מכילים תמונות משוכפלות או מניפולטיביות, ועם הכלים המתקדמים של AI, סכנה זו רק מתעצמת. נתונים מזויפים, אם ישמשו לאימון מודלי AI, עלולים להוביל לתוצאות הרות אסון, החל מבזבוז משאבים אדיר וכלה בסכנה לחיי אדם. הדבר מדגיש את החשיבות בפיתוח ויישום כלים טכנולוגיים חדשניים, כמו אלגוריתמי גיבוב מאובטחים (secure hash algorithms) בדומה לטכנולוגיית בלוקצ'יין, לאימות שלמות הנתונים וזיהוי מניפולציות. יש צורך דחוף בתשתית נתונים מאובטחת ושקופה שתבטיח את אמינות המידע לאורך כל מחזור החיים המחקרי.
