ورود هوش مصنوعی به آزمایشگاه‌ها؛ آیا آنتروپیک داروهای اختصاصی تولید می‌کند؟

بیایید برای چند دقیقه روپوش سفید آزمایشگاه را به تن کنیم و به دنیای واقعی داروسازی قدم بگذاریم؛ جایی‌که از معجزه و معرفی ناگهانی راهکارهای درمانی خبری نیست. درواقع کشف یک داروی جدید بیش‌از اینکه به پیداکردن سوزن در انبار کاه شباهت داشته باشد، مثل ساختن همان سوزن در تاریکی مطلق است.

تبدیل یک ایده‌ی خام در محیط آزمایشگاه به دارویی قابل‌اتکا روی قفسه‌ی داروخانه‌ها، غالباً به بیش‌از ۱۰سال زمان و بودجه‌ای عظیم نیاز دارد؛ مسیری طولانی که در نهایت بیش‌از ۹۰درصد ایده‌های درخشان را پیش‌از رسیدن به خط پایان، به صف شکست‌خوردگان می‌فرستد.

دانشمندان به چرخه‌ی فرسایشی آزمون و طرح‌های شکست‌خورده‌ی داروسازی عادت کرده‌اند و بار سنگینش را هم در لابراتوارهای پیشرفته به دوش می‌کشند؛ هرچند امروزه پژوهشگران از قدرت پردازشی هوش مصنوعی بهره‌ی زیادی می‌برند و فرایندهایی نظیر بررسی داده‌ها یا سبک‌وسنگین کردن ساختار سلولی را با سرعت بیشتری تکمیل می‌کنند.

حالا شرکت آنتروپیک می‌گوید ورودش به عرصه‌ی داروسازی صرفاً به توسعه‌ی ابزاری برای تسریع کارهای این حوزه محدود نمی‌شود؛ بلکه زنجیره‌ی فرسوده‌ی تحقیق و توسعه‌ی دارویی را هدف قرار می‌دهد تا کل مسیر، از کشف فرمول تا پیچیده‌ترین مراحل بالینی را بازطراحی کند.

آیا کدها و الگوریتم واقعاً می‌توانند لباس پژوهشگری به تن کنند و کاشف داروهای فردای ما باشند؟

تا همین چند سال پیش، حضور AI در محیط‌های علمی به کارهای قابل‌پیش‌بینی محدود می‌شد؛ ابزاری که می‌توانست مقالات طولانی را خلاصه کند، کدهای آماری بنویسد یا مثل کتابدار دیجیتال و سریع، اسناد را بایگانی کند. با معرفی Claude Sonnet 4.5، این مسیر خطی با تغییر فاز جدی مواجه شد. به‌نظر می‌رسید کلاد فراتر از قابلیت‌های عمومی هوش‌مصنوعی مولد؛ منطق نهفته در علوم زیستی را عمیقاً درک می‌کند.

وزن واقعی امتیاز Sonnet 4.5 در بنچمارک Protocol QA زمانی مشخص می‌شود که بدانیم میانگین امتیاز متخصصان انسانی در همین آزمون روی عدد ۰٫۷۹ ایستاده است. سونت هم دستورالعمل‌های بیولوژیک را می‌خواند، هم ظرافت‌های پنهان در اجرای آن‌ها را بادقتی بالا، تجزیه‌وتحلیل می‌کرد. آنتروپیک با معرفی مدل Opus 4.5 گام بعدی‌اش را در این روایت برداشت؛ مدلی که از درک تئوریک عبور کرد و وارد عرصه‌ی شبیه‌سازی وظایف پیچیده پزشکی و علمی شد.

در این مرحله دیگر کارآمدی ابزار با تست‌های مکالمه‌محور ارزیابی نمی‌شود و هوش مصنوعی باید عملکرد عامل‌گونه‌ی (Agentic Performance) خود را ثابت کند؛ یعنی مسئله‌ای چندمرحله‌ای را بپذیرد، متغیرهای زیستی را محاسبه کند و یک خروجی معتبر بالینی یا علمی ارائه دهد.

اینجا دیگر کلاد صرفاً داده‌های پزشکی را پردازش نمی‌کرد؛ بلکه باید همبستگی‌ها را می‌یافت و به نتیجه‌ی معتبر می‌رسید. این گذار، مرز باریک میان نرم‌افزار پاسخگو و پژوهشگر دیجیتال مستقل را تاحدی کم‌رنگ‌تر کرد.

هرچقدر هم که الگوریتم‌های پردازشی هوش مصنوعی قدرتمند و خیره‌کننده باشند، بدون دسترسی به داده‌های تخصصی راه به جایی نمی‌برند و در سطح مغزی منزوی باقی می‌مانند. به‌بیان ساده، قدرت پردازش زمانی در صنعت داروسازی ارزشی ایجاد می‌کند که بتواند به جریان متقاطع و عظیم داده‌های زیستی متصل شود.

آنتروپیک با درک چالش دیرینه‌ی صنعت داروسازی، راهکار خود را در قالب شبکه‌ای از کانکتورها معرفی می‌کند؛ مکانیزمی که کلاد را از دستیاری ساده، به موجودیتی متصل به شریان‌های اطلاعات آزمایشگاهی ارتقا می‌دهد.

به‌علاوه کلاد با پلتفرم BioRender هم ادغام می‌شود، فرایندی که ابزار لازم را در اختیار سیستم قرار می‌دهد تا مفاهیم به‌شدت پیچیده را با استفاده از تصاویر و نمودارهای استاندارد علمی، مصورسازی کند و به فهم بصری پژوهشگر یاری برساند.

شاید بلندپروازانه‌ترین چشم‌اندازی که آنتروپیک ترسیم می‌کند، نحوه‌ی تعامل ماشین با داده‌های به‌شدت پیچیده‌ی ژنتیکی باشد. این شرکت می‌گوید با ادغام پلتفرم 10x Genomics، پژوهشگران قادر خواهند بود تحلیل داده‌های ژنومیک و تک‌سلولی را صرفاً با استفاده از دستورات زبان طبیعی انجام دهند.

اگر قابلیت ادعاییِ آنتروپیک در محیط‌های پرآشوب عملیاتی با همان دقتی کار کند که در بیانیه‌های شرکت مطرح می‌شود، نیاز به برنامه‌نویسی‌های سنگین برای بررسی‌های اولیه‌ی ژنتیکی به‌شکل چشمگیری کاهش می‌یابد و تنگناهای محاسباتی رفع می‌شوند.

فاز بعدی برنامه‌ی آنتروپیک با اتصال کلاد به پلتفرم‌های تخصصی کشف دارو ادامه می‌یابد؛ جایی‌که هوش مصنوعی برای شناسایی اهداف درمانی با پلتفرم Open Targets و همچنین پایگاه‌داده ترکیبات دارویی ChEMBL، در ارتباط خواهد بود.

تا اینجا به‌نظر می‌رسد خالق کلاد اکوسیستم بی‌نقصی را طراحی کرده است؛ اما کارایی این سیستم یکپارچه نه در محیط‌های کنترل‌شده، بلکه زمانی مشخص می‌شود که هوش مصنوعی با داده‌های ناقص، متناقض و ساختارنیافته‌ی دنیای واقعی داروسازی مواجه شود و از میان آن‌ها مسیر درست را پیدا کند.

آنتروپیک می‌دانست که با معرفی مدل‌های قدرتمند و اتصال آن‌ها به پایگاه‌های داده، تنها نیمی از مسیر را طی می‌کند؛ به‌همین دلیل جولای ۲۰۲۶، گام نهایی را برای تسخیر فضای آزمایشگاه‌ها برداشت و از ابزاری به نام Claude Science رونمایی کرد؛ پلتفرمی که فراتر از یک پنجره‌ی گفت‌وگوی چت، میز کار نرم‌افزاری تمام‌عیاری است که به‌طور اختصاصی برای محققان طراحی شده تا مستقیماً در قلب فرآیند کشف دارو قرار بگیرد.

اپلیکیشن کلاد ساینس که به‌صورت محلی روی سیستم‌عامل‌های مک و لینوکس اجرا می‌شود و قابلیت اتصال به سرورهای پردازشی از راه دور را نیز دارد، می‌خواهد به سردرگمی دانشمندان در میان ده‌ها نرم‌افزار پراکنده پایان دهد.

هسته‌ی پردازشی میزکار کلاد ساینس، به مجموعه‌ای از توابع ازپیش‌تعریف‌شده تکیه دارد و طبق مستندات منتشرشده، با بیش‌از ۶۰تابع تخصصی به‌دست محققان می‌رسد که حوزه‌هایی نظیر ژنومیک، زیست‌شناسی ساختاری و پروتئومیکس را هدف قرار داده‌اند. این توابع به کاربر اجازه می‌دهند مکانیزم‌های پیچیده‌ای مانند طراحی فرآیند ویرایش ژن (CRISPR)، تحلیل داده‌های حجیم توالی‌یابی تک‌سلولی (RNA-seq) و رندرینگ سه‌بعدی ساختار پروتئین‌ها را اجرا کند.

آنتروپیک امیدوار است قابلیت‌های میزکار کلاد ساینس، فرآیندهای فنی فرسایشی را به دستوراتی سریع تبدیل کنند؛ ولی برای اینکه بفهمیم کلاد ساینس در مواجهه با خطاهای پیش‌بینی‌نشده‌ی داده‌های واقعی چقدر پایدار و قابل‌اتکا می‌مانند، باید تا پایان فاز آزمایشی بتا منتظر بمانیم.

هوش مصنوعی مثل هر فناوری نوینی که تازه پا به عرصه می‌گذارد، باید اعتماد متخصصان و کاربران عمومی را جلب کند. ماه می ۲۰۲۶، شرکت داروسازی بریستول مایرز اسکوئیب (BMS) با آنتروپیک قراردادی امضا کرد تا کلاد را در سراسر ساختار عملیاتی خود به‌کار بگیرد؛ زیرساختی که قرار است توسعه‌ی نرم‌افزار، تحقیق‌وتوسعه، روند تولید و حتی تعاملات پزشکی این غول داروسازی هدایت کند.

گرگ مایرز، مدیر ارشد دیجیتال BMS می‌گوید دستاورد واقعی قرارداد BMS و آنتروپیک با آزادسازی ارزش پنهانی آشکار خواهد شد که دهه‌ها در سیلوهای داده‌ای محبوس مانده‌ است. به‌زعم او چالش اصلی داروسازی در قرن بیست‌ویکم کمبود داده نیست؛ زیرا در طول سالیان اطلاعات پراکنده‌ی زیادی در بخش‌های مختلف صنعت روی‌هم انباشته شده‌اند.

اما آنتروپیک تنها شرکتی نیست که برای ورود به صنعت سودآور داروسازی آماده‌می‌شود. OpenAI نیز با شرکت‌هایی چون نوو نوردیسک، ایلای لیلی، مدرنا و سانوفی وارد شراکت‌های راهبردی شده و گوگل هم با قراردادی یک‌میلیارددلاری در کنار شرکت مرک (Merck) ایستاده است.

طبق گزارش گلوبال‌دیتا، سرمایه‌گذاری صنعت داروسازی روی هوش مصنوعی تنها در فاصله‌ی سال‌های ۲۰۲۴ تا ۲۰۲۵ بالغ‌بر ۱۲۰درصد افزایش یافت؛ رشدی که خوش‌بینی شرکت‌های حوزه را به کشف سریع‌تر اهداف دارویی، پیش‌بینی موفقیت تأیید داروها و افزایش بهره‌وری تحقیق‌وتوسعه منعکس می‌کند.

برخلاف سایر شرکت‌های هوش مصنوعی، رویکرد آنتروپیک به صنعت داروسازی از توسعه‌ی ابزارهای مدرن و میز کار متخصصان فراتر می‌رود. اریک کادرر آبرامز، مدیر بخش علوم زیستی این شرکت، در رویداد اخیر AI for Science اعلام کرد که آنتروپیک قصد دارد داروهای اختصاصی خود را با تمرکز بر بیماری‌های فراموش‌شده توسعه دهد.

تصمیم آنتروپیک برای توسعه‌ی داروهای اختصاصی، موقعیت تجاری شرکت را با ابهاماتی مواجه می‌کند؛ زیرا آنتروپیک درحالی نرم‌افزار کلاد ساینس را به غول‌های داروسازی می‌فروشد که هم‌زمان برای رقابت با آن‌ها نیز آماده می‌شود؛ اما شواهد نشان می‌دهد خالق کلاد در این مسیر کاملاً جدی است و طی یک سال گذشته به‌شکل تهاجمی زیست‌شناسان برجسته‌ای را به استخدام خود درآورده و آزمایشگاه‌های تَر (Wet Labs) اختصاصی‌اش را ساخته تا ایده‌های دیجیتال را در دنیای واقعی محک بزند.

هر دارویی که کلاد پیشنهاد دهد، همچنان باید از نظر اثربخشی و میزان سمیت بررسی شود؛ پروسه‌ای که به‌گفته‌ی متیو تاد، استاد کشف دارو در دانشگاه کالج لندن، همیشه تأخیر زمانی زیادی دارد، مگر اینکه راهکارهای آنتروپیک برای راضی‌کردن نهادهای نظارتی، این‌بار برای خودش معجزه کند.

درواقع بزرگ‌ترین چالش آنتروپیک و سایر رقبا این است که تا به امروز، هنوز هیچ داروی طراحی‌شده با هوش مصنوعی نتوانسته از سد کارآزمایی‌های بالینی و تأییدیه‌ی سازمان غذا و داروی آمریکا (FDA) عبور کند و به بازار راه یابد. آیا خالق کلاد موفق می‌شود سد FDA را پشت سر بگذارد و راه را برای سایر شرکت‌های داروسازی باز کند؟

با تمام پیشرفت‌های خیره‌کننده‌ی آنتروپیک در حوزه‌ی داروسازی، هنوز نمی‌توانیم هوش مصنوعی را ناجی نهایی بیماران بدانیم. در صنعتی که یک خطای محاسباتی کوچک به قیمت جان انسان‌ها تمام می‌شود، اعتماد به خروجی مدل‌هایی که گاهی دچار توهم می‌شوند، چندان ساده نیست.

هرچند برخی از ترکیبات توسعه‌یافته توسط هوش مصنوعی وارد فاز کارآزمایی بالینی شده‌اند؛ اما به‌سختی می‌توان فهمید که هوش مصنوعی دقیقاً چقدر در فرآیند توسعه‌ سهم داشته است و آیا این ترکیبات واقعاً عملکرد بهتری نسبت به داروهای سنتی دارند یا خیر.

شاید کلاد همین فردا راه درمان سرطان و آلزایمر را کشف نکند؛ اما یکی‌از دقیق‌ترین و قدرتمندترین اهرم‌هایی محسوب می‌شود که تاکنون برای رمزگشایی از زیست‌شناسی ساخته شده است. داروهای فردا هم نه توسط الگوریتم‌های مستقل، بلکه به دست پژوهشگرانی کشف خواهند شد که بهترین بهره را از همه‌ی ابزارهای موجود می‌برند.