HIVE Labs ของ Vivodyne อาจช่วยปิดช่องว่างข้อมูลมนุษย์ในวงการค้นพบยาด้วย AI ได้อย่างไร

Vivodyne มีสมมติฐานสำคัญว่า ปัญหาของการค้นพบยาด้วย AI ในปัจจุบันอาจไม่ได้อยู่ที่โมเดลยังมีขนาดเล็กเกินไป แต่อยู่ที่ข้อมูลต้นทางยังไม่สะท้อนการตอบสนองของเนื้อเยื่อมนุษย์ที่ซับซ้อนมากพอ

AI สามารถช่วยสร้างเป้าหมายการรักษา โมเลกุลยา และแนวคิดการทดลองได้อย่างรวดเร็ว แต่การคาดการณ์จะมีข้อจำกัด หากข้อมูลที่ใช้ฝึกโมเดลส่วนใหญ่ได้มาจากสัตว์ เซลล์เดี่ยว โปรตีน หรือข้อมูลเชิงสังเกต มากกว่าการดูว่าเนื้อเยื่อมนุษย์จริงเปลี่ยนแปลงอย่างไรเมื่อได้รับการรักษา

Andrei Georgescu ซีอีโอของ Vivodyne เคยกล่าวว่า ยาที่ AI ออกแบบในปัจจุบันยังไม่ได้ดีกว่ายาที่มนุษย์ออกแบบอย่างมีนัยสำคัญ เพราะยังมีข้อมูลจากห้องปฏิบัติการที่เกี่ยวข้องกับมนุษย์ไม่เพียงพอให้โมเดลเรียนรู้ 25

คำตอบของบริษัทคือ HIVE แพลตฟอร์มห้องปฏิบัติการอัตโนมัติแบบแยกส่วน ซึ่งออกแบบมาเพื่อเลี้ยงเนื้อเยื่อมนุษย์ ให้ยา เฝ้าติดตาม และวิเคราะห์ผลการตอบสนองในปริมาณมาก

คอขวดของ AI ค้นพบยา: ความสัมพันธ์ไม่เพียงพอ

โมเดลค้นพบยาอาจพบความสัมพันธ์ระหว่างลักษณะทางชีววิทยาบางอย่างกับผลลัพธ์ของโรค แต่ความสัมพันธ์นั้นไม่ได้บอกเสมอไปว่า เมื่อเปลี่ยนระบบด้วยยาในขนาดหนึ่ง เนื้อเยื่อชนิดหนึ่งจะตอบสนองอย่างไร

Vivodyne จึงให้ความสำคัญกับแนวคิด การรบกวนระบบ หรือ perturbation ซึ่งหมายถึงการจงใจเปลี่ยนเงื่อนไขบางอย่างแล้ววัดการตอบสนองของเนื้อเยื่อ ตัวอย่างเช่น หากให้การรักษา X ในขนาด Y กับเนื้อเยื่อ Z จะเกิดการเปลี่ยนแปลงที่วัดได้อย่างไร

ในมุมมองของบริษัท การทดลองลักษณะนี้สร้างข้อมูลชีววิทยาเชิงเหตุและผลจากการควบคุมการทดลองในเนื้อเยื่อมนุษย์ แทนที่จะอาศัยเพียงการอนุมานความสัมพันธ์จากข้อมูลที่มีอยู่เดิม 2

ความแตกต่างนี้สำคัญ เพราะโมเดลที่เรียนรู้จากข้อมูลชีววิทยาซึ่งไม่ครบถ้วนหรือไม่ตรงกับบริบทของมนุษย์ อาจให้คำตอบที่ดูมั่นใจมาก แต่ไม่สามารถแปลผลไปยังผู้ป่วยได้จริง Vivodyne ไม่ได้บอกว่าโมเดลขนาดใหญ่ไม่มีประโยชน์ เพียงแต่การเพิ่มขนาดโมเดลโดยไม่เพิ่มคุณภาพและความเกี่ยวข้องกับมนุษย์ของข้อมูลทดลอง อาจให้ผลลัพธ์ที่ดีขึ้นอย่างจำกัด 1725

HIVE ทำงานอย่างไร

HIVE ผสานหุ่นยนต์ ไมโครฟลูอิดิกส์ วิศวกรรมเนื้อเยื่อ ระบบให้ยาอัตโนมัติ และเครื่องมืออ่านผลทางชีววิทยาเข้าด้วยกัน Vivodyne ระบุว่าระบบสามารถเพาะเลี้ยงเนื้อเยื่อมนุษย์ได้ 20 ชนิด จากนั้นให้ยา หรือใช้การรบกวนรูปแบบอื่น ๆ และติดตามการเปลี่ยนแปลงที่เกิดขึ้นตามเวลา 117

หัวใจของแพลตฟอร์มคือ TissueDisks ซึ่งบริษัทระบุว่าสามารถเพาะเลี้ยงและให้ยากับเนื้อเยื่อมนุษย์ที่เป็นอิสระต่อกันหลายร้อยตัวอย่างแบบขนานได้ แบบจำลองเนื้อเยื่อแต่ละตัวมีเซลล์ประมาณ 200,000–500,000 เซลล์ และอาจประกอบด้วยโครงข่ายหลอดเลือดสามมิติที่จำเพาะต่อเนื้อเยื่อและมีการไหลเวียน เพื่อจำลองการนำส่งยาได้สมจริงยิ่งขึ้น 24

กระบวนการทำงานที่บริษัทวางไว้มีลักษณะเป็นวงจรต่อเนื่องดังนี้

1. เพาะเลี้ยงแบบจำลองเนื้อเยื่อมนุษย์ที่มีมาตรฐานสม่ำเสมอ
2. ให้ยา กำหนดขนาดยา เปลี่ยนแปลงยีน หรือใช้การแทรกแซงหลายรูปแบบ
3. วัดการตอบสนองในระดับโมเลกุล เซลล์ และการทำงานของเนื้อเยื่อ
4. ป้อนผลลัพธ์เข้าสู่การวิเคราะห์และใช้วางแผนการทดลองรอบถัดไป

แนวทางนี้เปลี่ยนห้องปฏิบัติการจากสถานที่ที่ทำการทดสอบแยกกันเป็นครั้ง ๆ ให้กลายเป็นระบบผลิตข้อมูลชีววิทยา ผลลัพธ์จึงไม่จำกัดอยู่แค่ว่าเนื้อเยื่อรอดชีวิตหรือไม่ แต่อาจรวมถึงเนื้อเยื่อเปลี่ยนแปลงอย่างไร เปลี่ยนเมื่อใด เซลล์กลุ่มใดได้รับผล และขนาดยาหรือสูตรยาที่ต่างกันทำให้ผลลัพธ์เปลี่ยนไปอย่างไร

ทำไมการทดลองในสัตว์และเซลล์จึงอาจคลาดเคลื่อนจากมนุษย์

แบบจำลองสัตว์ยังมีประโยชน์สำหรับศึกษาผลกระทบต่อร่างกายทั้งระบบ แต่ชีววิทยาที่เกิดขึ้นในสัตว์อาจไม่เหมือนในมนุษย์ ความแตกต่างระหว่างสายพันธุ์ส่งผลต่อการเผาผลาญยา ความเป็นพิษ การตอบสนองของภูมิคุ้มกัน กลไกของโรค และปฏิสัมพันธ์ระหว่างเนื้อเยื่อหลายชนิด

ขณะเดียวกัน การทดลองเซลล์เดี่ยวหรือโปรตีนให้รายละเอียดที่มีคุณค่า แต่ก็ตัดโครงสร้างแบบหลายเซลล์และบริบททางสรีรวิทยาซึ่งมีส่วนกำหนดผลของยาออกไปมาก

ความไม่ตรงกันนี้เป็นส่วนหนึ่งที่อธิบายได้ว่า เหตุใดยาที่ดูมีแนวโน้มดีในระยะก่อนคลินิกจึงอาจล้มเหลวเมื่อเข้าสู่การพัฒนาในมนุษย์ Vivodyne ต้องการเติมหลักฐานจากเนื้อเยื่อมนุษย์ให้เร็วขึ้น เพื่อให้ปัญหาด้านความปลอดภัยและประสิทธิผลบางส่วนถูกพบก่อนผู้สมัครยาจะเข้าสู่การทดลองในผู้ป่วยซึ่งมีต้นทุนสูง 113

อย่างไรก็ตาม เนื้อเยื่อที่เพาะเลี้ยงในห้องทดลองไม่ใช่ร่างกายมนุษย์ทั้งร่าง แบบจำลองอาจยังจำลองเภสัชจลนศาสตร์ของทั้งร่างกาย การสื่อสารระหว่างอวัยวะ ผลกระทบต่อภูมิคุ้มกันในระยะยาว ความแตกต่างระหว่างผู้ป่วยแต่ละคน หรือองค์ประกอบของโรคได้ไม่ครบถ้วน จึงควรมองแบบจำลองเหล่านี้เป็นสะพานเชื่อมระหว่างการทดสอบที่เรียบง่ายกับการวิจัยทางคลินิก ไม่ใช่สิ่งที่จะมาแทนที่การทดลองในคน

หลักฐานที่ Vivodyne รายงานมีอะไรบ้าง

Vivodyne รายงานผลการทดสอบยาเคมีบำบัด 20 ชนิดกับแบบจำลองเนื้อเยื่อหลายประเภท บริษัทระบุว่า แบบจำลองตับทำนายความเป็นพิษของยาในมนุษย์ได้แม่นยำ 94% แบบจำลองทางเดินหายใจสอดคล้องกับพฤติกรรมของเนื้อเยื่อมนุษย์ 96% และแบบจำลองไขกระดูกมีความสอดคล้อง 100% ในชุดการทดสอบดังกล่าว 17

ตัวเลขเหล่านี้มีความน่าสนใจ แต่ต้องอ่านอย่างระมัดระวัง เนื้อหาที่มีอยู่ระบุว่าเป็นตัวเลขประสิทธิภาพที่บริษัทเป็นผู้รายงานเอง ยังไม่มีหลักฐานว่าได้รับการตรวจสอบซ้ำโดยอิสระในวงกว้างและผ่านการตีพิมพ์แบบผู้ทรงคุณวุฒิ ครอบคลุมยาหลายประเภท หรือพิสูจน์แล้วว่าคำคาดการณ์จาก HIVE ช่วยเพิ่มอัตราการอนุมัติยาในการเปรียบเทียบแบบไปข้างหน้ากับกระบวนการก่อนคลินิกแบบเดิม

บริษัทยังประกาศศูนย์ปฏิบัติการที่มีห้อง HIVE 12 ห้อง และความสามารถในการทำการทดลองแบบควบคุมกับเนื้อเยื่อมนุษย์ที่มีชีวิต 3.1 ล้านครั้งต่อปี ตัวเลขนี้สะท้อนขนาดและศักยภาพของแพลตฟอร์มตามที่บริษัทประกาศ ไม่ใช่หลักฐานโดยตัวมันเองว่าผลการทดลองสามารถทำนายผลทางคลินิกได้ 37

เงินทุนและแรงสนับสนุนทางธุรกิจ

ในปี 2023 บริษัทประกาศระดมทุนระยะเริ่มต้นรวม 38 ล้านดอลลาร์สหรัฐ โดยมี Khosla Ventures เป็นผู้นำการลงทุน และมี Kairos Ventures, CS Ventures, MBX Capital และ Bison Ventures เข้าร่วม 9 ต่อมา Vivodyne เผยแพร่ข้อมูลการระดมทุน 40 ล้านดอลลาร์สหรัฐ เพื่อขยายโครงสร้างพื้นฐานสำหรับการทดสอบเนื้อเยื่อมนุษย์ด้วยหุ่นยนต์และ AI 7

เงินทุนดังกล่าวสนับสนุนกลยุทธ์ที่มองชีววิทยาเชิงทดลองเป็นโครงสร้างพื้นฐานของ AI กล่าวคือ สร้างชุดข้อมูลที่มีมาตรฐานและมีขนาดใหญ่ก่อน แล้วจึงใช้ข้อมูลเหล่านั้นปรับปรุงการคาดการณ์การรักษาและจัดลำดับความสำคัญของการทดลอง

หากทำได้จริง จะเปลี่ยนการทดลองทางคลินิกอย่างไร

หากแพลตฟอร์มพิสูจน์ความสามารถในการทำนายผลได้ผ่านการศึกษาล่วงหน้าโดยหน่วยงานอิสระ ก็อาจส่งผลต่อการพัฒนายาในสามด้านหลัก

พบความล้มเหลวได้เร็วขึ้น

ผู้สมัครยาที่มีประสิทธิผลต่ำหรือมีความเป็นพิษสูงเกินไปอาจถูกลดความสำคัญก่อนนำไปใช้กับผู้ป่วย แนวทางนี้ไม่สามารถกำจัดความล้มเหลวในการทดลองทางคลินิกได้ทั้งหมด แต่อาจช่วยลดจำนวนผู้สมัครยาที่มีหลักฐานสนับสนุนไม่เพียงพอก่อนเข้าสู่การทดลอง

เลือกผู้สมัครยาและขนาดยาได้ดีขึ้น

การทดสอบหลายขนาดยาและหลายบริบทของเนื้อเยื่ออาจช่วยให้นักวิจัยเห็นว่าผู้สมัครยาชนิดใดควรพัฒนาต่อ และช่วงขนาดยาใดควรนำไปตรวจสอบในการทดลองกับมนุษย์ Vivodyne นำเสนอแพลตฟอร์มข้อมูลมนุษย์ของตนว่าสามารถใช้ได้ตั้งแต่การค้นพบยา งาน ADME/ความเป็นพิษ ไปจนถึงการออกแบบการทดลอง 13

ADME หมายถึงการดูดซึม การกระจายตัว การเปลี่ยนแปลงหรือเผาผลาญ และการขับออกของยา ซึ่งเป็นองค์ประกอบสำคัญในการประเมินว่ายาจะเคลื่อนผ่านร่างกายอย่างไร

สร้างโมเดล AI ที่ให้ข้อมูลมากขึ้น

การทดลองแบบแทรกแซงแล้ววัดการตอบสนองซ้ำ ๆ อาจทำให้ AI มีชุดข้อมูลฝึกสอนที่เชื่อมโยงการรักษากับผลลัพธ์ทางชีววิทยาในระดับเนื้อเยื่อได้ดีขึ้น ในระยะยาว Vivodyne หวังว่าสิ่งนี้จะนำไปสู่โมเดลคอมพิวเตอร์ขนาดใหญ่ หรือที่บริษัทเรียกว่า “world model” ของชีววิทยามนุษย์ 8

แต่ความสำเร็จจะขึ้นอยู่กับคุณภาพ ความสามารถในการทำซ้ำ ความหลากหลายของแบบจำลอง และการตรวจสอบจากภายนอก ข้อมูลจำนวนมากไม่ได้แปลว่าดีขึ้นโดยอัตโนมัติ หากแบบจำลองเนื้อเยื่อไม่สะท้อนประชากรผู้ป่วยที่เกี่ยวข้อง หรือหากผลการวัดไม่สามารถทำนายผลลัพธ์ในมนุษย์ได้

เหตุใดยาผสมจึงเป็นบททดสอบสำคัญ

การรักษาแบบผสมต้องสำรวจตัวแปรมากกว่าหนึ่งอย่างพร้อมกัน ไม่ว่าจะเป็นคู่ยา ขนาดยา ลำดับการให้ยา ช่วงเวลา และบริบทของเนื้อเยื่อ แพลตฟอร์มเนื้อเยื่อมนุษย์อาจทำให้การทดสอบชุดผสมเหล่านี้เป็นระบบและทำได้จริงมากขึ้น โดยค้นหาผลเสริมฤทธิ์และคัดกรองความเป็นพิษก่อนให้ผู้ป่วยได้รับยา

แนวทางนี้อาจมีประโยชน์เป็นพิเศษกับโรคที่ยาชนิดเดียวส่งผลได้เพียงบางส่วนของเส้นทางชีววิทยาที่ซับซ้อน แต่ข้อจำกัดเดิมยังคงอยู่ การทดลองในเนื้อเยื่ออาจเผยให้เห็นปฏิสัมพันธ์ภายในชีววิทยาที่แบบจำลองครอบคลุม ขณะที่ผลลัพธ์ทางคลินิกยังขึ้นอยู่กับการดูดซึม การกระจายตัว การเผาผลาญ ผลของภูมิคุ้มกัน ปฏิสัมพันธ์ระหว่างอวัยวะ และความแตกต่างของผู้ป่วยแต่ละราย

บทสรุป

Vivodyne กำลังเดิมพันว่า ความก้าวหน้าครั้งต่อไปของการค้นพบยาด้วย AI จะมาจากการยึดโยงโมเดลเข้ากับการทดลองที่ดีขึ้น ไม่ใช่การสร้างอัลกอริทึมให้ใหญ่ขึ้นเพียงอย่างเดียว HIVE ถูกออกแบบมาเพื่อสร้างข้อมูลดังกล่าวผ่านการทดลองแบบควบคุมในเนื้อเยื่อมนุษย์ที่เพาะเลี้ยงในห้องทดลอง 20 ชนิด และแปลงผลลัพธ์ให้เป็นข้อมูลชีววิทยาที่มีโครงสร้าง 117

แนวทางนี้พยายามแก้จุดอ่อนจริงของการแปลผลจากระยะก่อนคลินิกไปสู่มนุษย์ เพราะโมเดลที่ฝึกหรือทดสอบกับระบบซึ่งเรียบง่ายเกินไปอาจทำนายสิ่งที่จะเกิดขึ้นในคนได้ไม่ดีพอ ตัวเลขประสิทธิภาพระยะแรกและขนาดการดำเนินงานที่บริษัทอ้างถึงถือว่าน่าจับตา แต่ยังเป็นหลักฐานที่มาจากบริษัทเอง

บททดสอบ निर्णัยจะอยู่ที่ว่า คำคาดการณ์จาก HIVE ผ่านการตรวจสอบโดยอิสระแล้วสามารถช่วยเลือกผู้สมัครยาได้ดีขึ้น ลดความล้มเหลวในการทดลองทางคลินิก และสร้างโมเดล AI ที่นำไปใช้กับยาและเนื้อเยื่อซึ่งไม่ได้อยู่ในชุดข้อมูลฝึกสอนได้จริงหรือไม่