Virtual Biotech: เมื่อ AI 37,000 เอเจนต์ช่วยคัดกรองข้อมูลทดลองยาเกือบ 56,000 งาน

Virtual Biotech ควรมองว่าเป็น ระบบวิจัยเชิงคำนวณขนาดใหญ่ ไม่ใช่โรงงานยาที่ทำงานได้เองครบวงจร ทีมวิจัยสแตนฟอร์ด ซึ่งมี James Zou และ Harrison Zhang พัฒนาระบบนี้โดยจัด AI เอเจนต์ที่มีบทบาทเฉพาะทางให้ทำงานภายใต้เอเจนต์ประธานเจ้าหน้าที่วิทยาศาสตร์เสมือน หรือ CSO ทำให้ค้นและวิเคราะห์หลักฐานจำนวนมากได้พร้อมกัน 12

การสาธิตที่โดดเด่นที่สุดคือการรวบรวมและวิเคราะห์ข้อมูลจากการทดลองทางคลินิก 55,984 งาน ผลงานนี้ชี้ให้เห็นรูปแบบที่อาจเป็นประโยชน์ต่อการคัดเลือกเป้าหมายยา และสร้างสมมติฐานการรักษามะเร็งปอดขึ้นมา อย่างไรก็ดี สิ่งเหล่านี้ยังไม่พิสูจน์ว่ายาใหม่ปลอดภัยหรือได้ผล เพราะต้องผ่านการวิจัยในห้องปฏิบัติการ การทดลองทางคลินิก และการประเมินของหน่วยงานกำกับดูแลก่อนเสมอ 12

AI หลายหมื่นตัวจัดการหลักฐานการทดลองยาอย่างไร

แทนที่จะใช้โมเดลทั่วไปเพียงตัวเดียวสรุปวรรณกรรมวิทยาศาสตร์มหาศาล Virtual Biotech แบ่งงานให้อเอเจนต์ตามความเชี่ยวชาญ เอเจนต์ CSO จะมอบหมายงานแก่เอเจนต์ด้านชีววิทยาของเป้าหมาย การออกแบบโมเลกุล และการวิเคราะห์การทดลองทางคลินิก ก่อนนำผลมาสังเคราะห์ร่วมกัน 12

สำหรับงานวิเคราะห์การทดลองขนาดใหญ่ ระบบส่งเอเจนต์ด้านการทดลองทางคลินิกมากกว่า 37,000 ตัวทำงานพร้อมกัน เพื่อแปลงผลด้านความปลอดภัยและประสิทธิผลที่เผยแพร่แล้วให้เป็นข้อมูลที่มีโครงสร้าง จากนั้นเชื่อมเป้าหมายยากับคำอธิบายระดับจีโนม โมเลกุล และข้อมูลเซลล์เดี่ยว สแตนฟอร์ดระบุว่าสามารถจัดหมวดหมู่การทดลองได้ราว 50,000 งานภายในเวลาไม่ถึงหนึ่งสัปดาห์ 2

ความเร็วนี้เกิดจากการทำงานแบบขนาน เอเจนต์จำนวนมากสามารถค้นคืนข้อมูล ใส่คำอธิบายกำกับ และตรวจสอบระเบียนการทดลองคนละส่วนได้ในเวลาเดียวกัน กล่าวอีกอย่างหนึ่ง นี่คือกระบวนการจัดระเบียบหลักฐานในระดับมหาศาล ไม่ใช่หลักฐานว่าระบบได้ทำการทดลองจริงหรือค้นพบยาที่ผ่านการพิสูจน์ทางคลินิกแล้ว 12

ลักษณะของเป้าหมายยาที่สัมพันธ์กับผลลัพธ์ในอดีต

การวิเคราะห์เน้นลักษณะของเป้าหมายยาสองประการ ได้แก่

• ความจำเพาะต่อชนิดเซลล์ (cell-type specificity): ยีนหรือโปรตีนมีการแสดงออกเด่นในชนิดเซลล์ที่เกี่ยวข้องกับโรคนั้นโดยตรง แทนที่จะทำงานกว้างขวางในเซลล์หลายชนิด
• พฤติกรรมแบบสองสถานะ (bimodality): การทำงานของยีนมีลักษณะคล้ายเปิด/ปิด มากกว่าค่อย ๆ เพิ่มลดต่อเนื่องเหมือนหรี่ไฟ

นักวิจัยรายงานว่า เป้าหมายที่มีความจำเพาะต่อชนิดเซลล์สูงและมีพฤติกรรมแบบสองสถานะ มีความสัมพันธ์กับผลลัพธ์การพัฒนายาที่ดีกว่าในข้อมูลการทดลองในอดีต โดยยาที่มุ่งเป้ายีนซึ่งจำเพาะต่อชนิดเซลล์มีโอกาสผ่านจากการทดลองระยะที่ 1 ไปสู่ระยะที่ 2 สูงขึ้น 40% มีโอกาสไปถึงตลาดสูงขึ้น 48% และสัมพันธ์กับเหตุการณ์ไม่พึงประสงค์ที่น้อยลง 32% 2

ตัวเลขเหล่านี้เป็นความสัมพันธ์ที่พบในชุดข้อมูลซึ่งผ่านการจัดระเบียบแล้ว ไม่ใช่ผลที่รับประกันได้สำหรับทุกเป้าหมายหรือทุกการรักษา คำอธิบายทางชีววิทยาที่เป็นไปได้คือ เป้าหมายที่จำกัดอยู่ในเซลล์ซึ่งเกี่ยวข้องกับโรคอาจถูกออกฤทธิ์ได้อย่างจำเพาะกว่า จึงอาจลดผลกระทบที่ไม่ตั้งใจต่อส่วนอื่นของร่างกายได้ แต่ยังต้องทดสอบด้วยการทดลองจริง 12

สมมติฐาน B7-H3/CD276 สำหรับมะเร็งปอด

Virtual Biotech ยังวิเคราะห์ B7-H3 หรือ CD276 ในมะเร็งปอด โดยอาศัยข้อมูลสาธารณะที่มีอยู่ก่อนเดือนมกราคม 2025 ระบบระบุเหตุผลที่เกี่ยวข้องกับการแสดงออกของ B7-H3 ในไฟโบรบลาสต์บริเวณรอบเนื้องอก และเสนอว่าเซลล์เหล่านี้อาจมีส่วนกดภูมิคุ้มกันในบริเวณใกล้เคียง 2

ระบบจึงเสนอแนวทาง แอนติบอดี-ยาคอนจูเกต (antibody-drug conjugate หรือ ADC) คือแอนติบอดีที่จับกับ B7-H3 ซึ่งเชื่อมกับสารออกฤทธิ์ทำลายเซลล์ หลักการของ ADC คือช่วยนำสารทำลายเซลล์ไปยังเซลล์ที่มีเป้าหมายดังกล่าวเป็นหลัก ผลลัพธ์นี้ยังเป็นเพียงแบบออกแบบระดับก่อนคลินิกและสมมติฐานเชิงกลไก ไม่ใช่ผลิตภัณฑ์ยาที่ผลิตแล้วหรือการรักษาที่พิสูจน์ผลสำเร็จ 12

B7-H3 เป็นเป้าหมายที่อุตสาหกรรมยากำลังพัฒนาเช่นกัน GSK ระบุว่า risvutatug rezetecan (GSK5764227) เป็น ADC ที่มุ่งเป้า B7-H3 ซึ่งอยู่ระหว่างการศึกษาในมะเร็งปอดชนิดเซลล์เล็กระยะลุกลามที่กลับเป็นซ้ำหรือดื้อต่อการรักษา และเอกสารของบริษัทระบุว่ายานี้ได้รับสถานะ Breakthrough Therapy Designation จากองค์การอาหารและยาสหรัฐฯ (FDA) สำหรับข้อบ่งใช้นี้

อย่างไรก็ดี หลักฐานที่ให้มายังไม่รองรับการนำโครงการดังกล่าวไปกล่าวว่าเป็นการยืนยันทางคลินิกในภายหลังของข้อเสนอจาก Virtual Biotech เพราะประกาศของ GSK ที่อ้างถึงลงวันที่เดือนสิงหาคม 2024 ซึ่งเกิดก่อนเส้นตายข้อมูลสาธารณะเดือนมกราคม 2025 ที่ใช้ในการวิเคราะห์ของสแตนฟอร์ด การที่ทั้งสองฝ่ายสนใจ B7-H3 จึงสะท้อนการมุ่งไปยังเป้าหมายเดียวกัน ไม่ได้พิสูจน์ว่าระบบ AI เป็นผู้ริเริ่ม ทำซ้ำ หรือยืนยันผลทางคลินิกของโครงการยาของ GSK 2

สิ่งที่ระบบยังไม่ได้พิสูจน์

ข้อจำกัดสำคัญคือช่องว่างระหว่างการให้เหตุผลเชิงคำนวณกับหลักฐานทางการแพทย์ AI เอเจนต์ไม่ได้ทำสิ่งต่อไปนี้:

• ทำการทดลองในเซลล์ สัตว์ หรือมนุษย์
• ยืนยันความจำเพาะ ขนาดยา เภสัชจลนศาสตร์ ความเป็นพิษ หรือการดื้อยาของ ADC
• ผลิตยาออกมาใช้จริง
• แสดงให้เห็นว่าผู้ป่วยได้ประโยชน์ในการทดลองทางคลินิก 12

นักวิทยาศาสตร์รายอื่นเตือนว่า แพลตฟอร์มนี้ยังไม่ผ่านบททดสอบสำคัญของการค้นพบยาจริง นั่นคือการพิสูจน์ด้วยการทดลอง ผลสัมพันธ์จากข้อมูลในอดีตอาจช่วยจัดลำดับความสำคัญของงานวิจัยได้ แต่ก็อาจได้รับผลจากคุณภาพข้อมูล ตัวแปรกวน หรือรูปแบบที่ไม่เกิดซ้ำเมื่อทดสอบในโครงการใหม่ 1

ด่านต่อไปคือการพิสูจน์ด้วยการทดลอง

Virtual Biotech อาจมีประโยชน์มากที่สุดในการช่วยลดขนาดพื้นที่ค้นหาทางวิทยาศาสตร์ที่กว้างใหญ่ และทำให้การทบทวนหลักฐานเป็นระบบขึ้น แต่นักวิทยาศาสตร์มนุษย์ยังต้องกำหนดคำถาม ตรวจสอบหลักฐานต้นทาง ประเมินความสมเหตุสมผลทางชีววิทยา และตัดสินใจว่าสมมติฐานใดควรเดินหน้าต่อ 12

สำหรับข้อเสนอ B7-H3 การยืนยันที่มีความหมายต้องเริ่มจากการทำซ้ำผลโดยอิสระ ตามด้วยการศึกษาในห้องปฏิบัติการเกี่ยวกับชีววิทยาของเป้าหมาย การจับและความจำเพาะของ ADC ประสิทธิผล ความเป็นพิษ เภสัชจลนศาสตร์ และการดื้อยา จากนั้นจึงต้องมีการทดลองทางคลินิกที่ออกแบบอย่างเหมาะสมเพื่อบอกได้ว่าการรักษาช่วยให้ผลลัพธ์ของผู้ป่วยดีขึ้นหรือไม่ 12

บทสรุปที่น่าสนใจแต่ต้องมองอย่างรอบคอบคือ AI หลายเอเจนต์สามารถจัดระเบียบหลักฐานชีวการแพทย์ได้รวดเร็ว และสร้างสมมติฐานที่นำไปทดสอบได้ แต่ยังไม่อาจทดแทนการทดลองวิทยาศาสตร์อย่างรัดกุม หรือดุลยพินิจของมนุษย์ในทุกขั้นตอนที่มีผลสำคัญได้