AI กำลังเขย่าวิธีค้นคว้ายา แต่อนาคตขึ้นอยู่กับคุณภาพข้อมูล

การค้นคว้ายาเป็นอุตสาหกรรมที่มีต้นทุนสูง ความเสี่ยงสูง และใช้เวลานานมาก โดยค่าใช้จ่ายในการพัฒนายาใหม่เพิ่มขึ้นต่อเนื่องตามกฎที่เรียกว่า Eroom’s Law ขณะที่อัตราความล้มเหลวในแต่ละขั้นตอนยังสูงมาก ทำให้บริษัทยามองหาเครื่องมือที่จะช่วยลดความเสี่ยงและย่นระยะเวลาลง ซึ่งปัญญาประดิษฐ์กลายเป็นหนึ่งในการเดิมพันสำคัญที่สุดของวงการนี้

บทความชี้ว่า AI เริ่มสร้างผลลัพธ์ที่จับต้องได้ในขั้นต้นของการค้นคว้ายา โดยเฉพาะการคัดกรองสารตั้งต้นและออกแบบโมเลกุลใหม่แบบเชิงคาดการณ์ แทนการทดลองแบบเดิมที่ต้องใช้การทดสอบทางกายภาพจำนวนมหาศาล AI ช่วยตัดสารที่มีโอกาสต่ำออกก่อน ทำให้ลดภาระงานและประหยัดทรัพยากรได้ แต่ข้อจำกัดสำคัญคือโมเดลยังไม่สามารถทำนายคุณสมบัติบางอย่างของสารได้อย่างน่าเชื่อถือ เช่น พฤติกรรมเชิงจลนพลศาสตร์หรือความเหมาะสมต่อการพัฒนาต่อ จึงยังต้องอาศัยการยืนยันในห้องแล็บทุกครั้ง

เมื่อ AI ทำให้จำนวน “ผู้สมัครยา” เพิ่มขึ้น สิ่งที่ตามมาคือความต้องการเครื่องมือทดลองที่มีข้อมูลละเอียดและปริมาณงานสูงกว่าเดิม ระบบคัดกรองแบบเก่าถูกออกแบบมาเพื่อดูผลแบบผ่าน/ไม่ผ่านในวงกว้าง มากกว่าจะใช้ทำความเข้าใจสารจำนวนมากอย่างลึกซึ้ง ส่งผลให้ห้องแล็บต้องปรับตัวเพื่อรองรับการทดสอบ การทำให้บริสุทธิ์ และการวิเคราะห์สารที่หลากหลายขึ้น ซึ่งเป็นผลโดยตรงจากการใช้ AI ในขั้นออกแบบ

อีกประเด็นใหญ่ที่บทความเน้นคือ “ปัญหาข้อมูล” โมเดล AI รุ่นก่อนจำนวนมากถูกฝึกด้วยชุดข้อมูลสาธารณะที่มีอยู่เดิม จนเริ่มชนเพดาน เพราะทุกโมเดลเรียนรู้จากแหล่งข้อมูลคล้ายกันและให้ผลลัพธ์ที่ใกล้เคียงกันมากขึ้นเรื่อย ๆ นอกจากนี้ ข้อมูลเหล่านั้นมักไม่ได้ถูกสร้างมาเพื่อ AI ตั้งแต่แรก จึงขาดโครงสร้าง การติดป้ายกำกับ และความหลากหลายที่เพียงพอ ข้อจำกัดยิ่งรุนแรงขึ้นจากอคติของงานตีพิมพ์ที่มักรายงานแต่ผลสำเร็จ ขณะที่ข้อมูลเชิงลบหรือการทดลองที่ล้มเหลวกลับไม่ค่อยถูกเผยแพร่ ทั้งที่ข้อมูลลักษณะนี้มีความสำคัญต่อการฝึกโมเดลให้แม่นยำและลดอคติ

บทความยังเตือนเรื่องความน่าเชื่อถือของข้อมูลในยุคที่การปลอมแปลงทำได้ง่ายขึ้นด้วย AI โดยยกตัวอย่างการดัดแปลงภาพวิทยาศาสตร์ เช่น western blot ซึ่งเป็นความเสี่ยงโดยตรงต่อการฝึกโมเดลและการตัดสินใจเชิงวิจัย หากข้อมูลที่ใช้ป้อน AI ถูกแต่งหรือบิดเบือน ผลลัพธ์ที่ตามมาอาจสร้างความเสียหายในวงกว้าง จึงเริ่มมีเครื่องมือยืนยันความสมบูรณ์ของข้อมูลและภาพวิจัยเข้ามาช่วยตรวจจับการแก้ไข ซึ่งน่าจะกลายเป็นมาตรฐานมากขึ้นในอนาคต

ในระยะยาว วิสัยทัศน์ของผู้เชี่ยวชาญที่บทความอ้างถึงคือห้องแล็บอัตโนมัติแบบทำงานต่อเนื่องแทบไม่ต้องพึ่งมนุษย์ ซึ่งใช้วงจรทำนาย-ทดลอง-ปรับปรุง ซ้ำไปมาเพื่อป้อนข้อมูลกลับเข้าโมเดล AI แนวคิดนี้จะทำได้จริงก็ต่อเมื่ออุปกรณ์และระบบข้อมูลเชื่อมต่อกันได้ดี มีมาตรฐานเดียวกัน และส่งข้อมูลเข้าออกได้อย่างราบรื่น แต่ความจริงของห้องแล็บจำนวนมากในปัจจุบันยังเป็นระบบแยกส่วน ทำให้ประสิทธิภาพของ AI ถูกจำกัดโดยโครงสร้างพื้นฐานเดิม

สรุปแล้ว บทความมองว่า AI กำลังเปลี่ยนการค้นคว้ายาจากการลองผิดลองถูกแบบเดิม ไปสู่กระบวนการที่ใช้ข้อมูลและการคาดการณ์นำทางมากขึ้น แต่ความสำเร็จของแนวทางนี้ไม่ได้ขึ้นอยู่กับโมเดลอย่างเดียว หากยังต้องพึ่งข้อมูลที่ครบถ้วน น่าเชื่อถือ ตรวจสอบได้ และไหลเวียนระหว่างระบบได้ดี การ “ปิดวงจรข้อมูล” ระหว่างแล็บจริงกับโมเดล AI จึงเป็นกุญแจสำคัญที่จะทำให้การค้นคว้ายาเร็วขึ้น แม่นยำขึ้น และมีโอกาสพัฒนาสู่การรักษาใหม่ ๆ ได้มากขึ้นในอนาคต