رؤیای خط تولید AI-pilled

تبدیل یک مولکول امیدبخش به یک داروی قابل‌استفاده معمولاً پس از کشف اولیه آن، بین ۱۰ تا ۱۵ سال زمان می‌برد. این اقتصاد دشوار باعث شده هزینه توسعه هر داروی موفق به طور متوسط حدود ۲.۸ میلیارد دلار باشد و ازآنجایی‌که داروها در نهایت از انحصار پتنت خارج می‌شوند، فشار برای یافتن «داروی پرفروش بعدی» بی‌وقفه ادامه دارد.

در این نقطه، هوش مصنوعی مولد وارد صحنه می‌شود؛ فناوری‌ای که صنعت داروسازی با سرعتی چشمگیر در حال پذیرش آن است. با بلعیدن و تحلیل مجموعه‌های عظیم داده‌های زیستی، ابزارهای مبتنی بر هوش مصنوعی می‌توانند پروتئین‌های هدفِ امیدبخش را شناسایی کرده و سپس مولکول‌های جدید را پیشنهاد دهند که قادر به اتصال به این اهداف دارویی باشند. این ابزارها می‌توانند پیش از آن که حتی یک لوله آزمایش لمس شود، کتابخانه‌های عظیم داده را غربال کنند و قدرت اثرگذاری و سمیت گزینه‌های دارویی را پیش‌بینی کنند. هوش مصنوعی همچنین می‌تواند در کارآزمایی‌های بالینی کمک‌رسان باشد؛ برای مثال با تحلیل سوابق سلامت، بیمارانی را شناسایی کند که بیشترین احتمال پاسخ مثبت به درمان‌های جدید را دارند. هرچند هنوز در ابتدای راه هستیم، نشانه‌ها امیدوارکننده‌اند. هوش مصنوعی می‌تواند به کشف داروی کارآمدتر، داروهای بهتر و افزایش رقابت در این صنعت منجر شود.

مولکول‌هایی که با کمک هوش مصنوعی طراحی شده‌اند، در آزمون‌های ایمنی مراحل اولیه، نرخ موفقیتی در حدود ۸۰ تا ۹۰ درصد نشان داده‌اند؛ درحالی‌که میانگین تاریخی این رقم تنها ۴۰ تا ۶۵ درصد بوده است. سال‌ها طول خواهد کشید تا مشخص شود آیا نرخ موفقیت در مراحل پیشرفته‌تر کارآزمایی‌ها نیز افزایش می‌یابد یا نه. اما حتی اگر چنین افزایشی رخ ندهد، یک مدل نشان می‌دهد که بهبود صرفاً در مراحل اولیه می‌تواند نرخ موفقیت کل خط جریان فرایند توسعه دارو را از ۵ تا۱۰ درصد به ۹ تا۱۸ درصد برساند. صنعت داروسازی همچنین با استفاده از هوش مصنوعی در حوزه‌هایی از مستندسازی بالینی گرفته تا منابع انسانی، در حال دستیابی بهره‌وری‌های جدید است. مؤسسهMcKinsey  برآورد می‌کند که اگر هوش مصنوعی به طور کامل در این صنعت به کار گرفته شود، می‌تواند سالانه ارزشی معادل ۶۰ تا ۱۱۰ میلیارد دلار ایجاد کند.

امید آن است که پیشرفت‌های فناورانه، نرخ موفقیت را بالاتر ببرند. مدل‌های پیشرفته‌تری برای فهم بخش‌های پیچیده زیست‌شناسی با سرعتی زیاد در حال ظهورند. چند سال پیش، مدلی به نام AlphaFold مسئله تعیین ساختار پروتئین‌ها را حل کرد. معماهای پیچیده‌تری، مانند نحوه عملکرد غشاهای سلولی، نیز احتمالاً در مقطعی حل خواهند شد.

این فناوری همین حالا نیز شیوه کار صنعت داروسازی را تغییر داده است. نسل تازه‌ای از استارتاپ‌های زیست‌فناوری  AI-Native  به‌ویژه در آمریکا و چین در حال شکل‌گیری است. شرکت‌های داروسازی نیز در حال همکاری با شرکت‌های زیست‌فناوری مبتنی بر هوش مصنوعی هستند و هم‌زمان با غول‌های فناوری مانند آمازون، گوگل، مایکروسافت و انویدیا نیز همکاری می‌کنند. این شرکت‌های بزرگ فناوری خود نیز جاه‌طلبی‌های مستقلی در حوزه سلامت دارند. Isomorphic Labs شرکتی که از دل Google DeepMind بیرون آمده، می‌کوشد مولکول‌های درمانی کاملاً جدیدی را از صفر و در رایانه طراحی کند. انویدیا نیز پلتفرمی مبتنی بر هوش مصنوعی مولد برای کشف دارو دارد. هر دو شرکت در حال امضای قراردادهایی برای ارائه خدمات طراحی به شرکت‌های داروسازی هستند. همچنین در ماه اکتبر ۲۰۲۵، انویدیا با Eli Lilly، ارزشمندترین شرکت داروسازی جهان همکاری کرد تا قدرتمندترین ابررایانه صنعت داروسازی ساخته شود.

تمام این تحولات به این معناست که بخشی از ارزش فرایند کشف دارو ممکن است نصیب غول‌های فناوری شود. در حال حاضر، شرکت‌های داروسازی مزیت‌های روشنی دارند؛ از جمله انبوهی از داده‌ها، دانشمندان آشنا با این حوزه و تجربه طولانی در هدایت داروهای جدید از میان هزارتوی مقررات. اما در گذر زمان، با تبدیل‌شدن بخش‌هایی از زیست‌شناسی به مسئله‌ای محاسباتی که می‌توان آن را با فناوری حل کرد، این مزیت‌ها ممکن است تضعیف شوند. شرکت‌های داروسازی شاید ناچار شوند همان‌گونه که امروز دارایی‌های مراحل اولیه را از شرکت‌های زیست‌فناوری می‌خرند، تخصص هوش مصنوعی را نیز از بیرون تأمین کنند.

با کارآمدتر شدن کشف دارو، دولت‌ها ناگزیر خواهند بود توجه خود را به گلوگاه‌های بالقوه دیگر در این سیستم از جمله مقررات و کارآزمایی‌ها معطوف کنند. سازمان غذا و داروی آمریکا (FDA) و آژانس دارویی اروپا (EMA) خود در حال استفاده از هوش مصنوعی برای غربال‌گری کوه عظیم داده‌هایی هستند که دریافت می‌کنند. با افزایش تعداد گزینه‌های دارویی، بازبینی‌های نظارتی سریع‌تر برای جلوگیری از ایجاد ترافیک و انسداد ضروری خواهد بود. دولت‌ها همچنین می‌توانند اقدامات بیشتری برای تشویق به‌اشتراک‌گذاری داده‌های بیماران با شرکت‌های هوش مصنوعی به شیوه‌هایی که حریم خصوصی را حفظ می‌کند، انجام دهند تا هم مدل‌های هوش مصنوعی و هم فرایند کشف دارو بهبود یابد.

پتنت‌ها نیز نیازمند بازاندیشی خواهند بود. امروزه طول عمر بالای پتنت‌ها به شرکت‌های داروسازی اجازه می‌دهد سرمایه‌گذاری‌های خود را جبران کنند و آن‌ها را به ورود به کسب‌وکار پرریسک کشف دارو ترغیب می‌کند. اما اگر هزینه‌ها و میزان ریسک نوآوری به طور چشمگیری کاهش یابد، ممکن است دوره‌های انحصار پتنت که معمولاً ۱۰ تا ۱۵ سال انحصار بازار ایجاد می‌کنند نیازمند کوتاه‌تر شدن باشند. هوش مصنوعی خبرهای خوبی برای نوآوری دارویی به همراه دارد؛ اما برای آن که منافع آن هم به سازندگان دارو برسد و هم به مصرف‌کنندگان، صنعت و نهادهای تنظیم‌گر آن باید خود را با این واقعیت جدید سازگار کنند.

گزارش حاضر در نسخه January 10th 2026 نشریه The Economist منتشر شده است.