AI ค้นพบยาเร็วทะลุเพดาน: จากเอเจนต์อัตโนมัติสู่ยารักษาโรคดื้อการรักษา

เมื่อการค้นพบยาไม่ใช่การเดาอีกต่อไป แต่เป็นการออกแบบด้วยเครื่องมือ AI ทางชีววิทยา

AI ค้นพบยาหมายถึงการใช้เทคโนโลยี machine learning ยาและตัวแทนอัตโนมัติทางชีววิทยา เพื่อระบุเป้าหมายทางโมเลกุล วิเคราะห์ข้อมูลระดับยีนและเซลล์ และออกแบบโมเลกุลใหม่ที่มีโอกาสเป็นยารักษาโรคได้ โดยทำงานแบบองค์รวมตั้งแต่การค้นหาเป้าหมาย จนถึงการทำนายประสิทธิภาพและความปลอดภัยในมนุษย์ ลดการพึ่งพาการทดลองแบบเดาสุ่มและการคัดกรองสารนับล้านตัวลงเหลือการคำนวณที่เฉพาะเจาะจงและตรวจสอบได้

เราควรเริ่มยอมรับความจริงที่ไม่ค่อยมีใครในห้องประชุมอยากพูดตรงๆ: ยุคที่การค้นพบยาอาศัยการเดาอย่างเป็นระบบตลอดหนึ่งศตวรรษกำลังจบลงแล้ว และถูกแทนที่ด้วยระเบียบวิธีเชิงวิศวกรรมที่คำนวณและทำนายได้ การทดลองสูง throughput เคยเป็นการทำเหมืองทองในแม่น้ำแห่งข้อมูลชีววิทยา ทุกหยดคือการหวังว่าจะเจอเม็ดทองคำสักเม็ด วันนี้ แบบจำลองกำลังกลายเป็นเครื่องวาดโมเลกุลแทนเครื่องตักทราย ความเปลี่ยนแปลงนี้ไม่ใช่เรื่องเทคโนโลยีเท่านั้น แต่เป็นเรื่องอำนาจตัดสินใจเชิงวิทยาศาสตร์ที่กำลังไหลจากคนเดี่ยวๆ ไปสู่ระบบ AI ที่ทำงานร่วมกันนับหมื่นตัวแทน

Biomni Lab และยุคใหม่ของแพลตฟอร์ม AI ทางชีววิทยาในโรงงานยา

ตัวอย่างที่ชัดที่สุดของการเปลี่ยนกระบวนการค้นพบยาให้เป็นงานวิศวกรรม คือการที่บริษัทผลิตยารายใหญ่ติดตั้ง Biomni Lab แพลตฟอร์มเครื่องมือ AI ทางชีววิทยาเข้าไปในทุกขั้นตอนของสายพานวิจัยของตน แพลตฟอร์มของ Phylo ถูกออกแบบมาเพื่อแก้ปัญหาเก่าที่เรื้อรังในห้องแล็บยา: ข้อมูลกระจัดกระจาย เครื่องมือไม่เชื่อมกัน นักวิทยาศาสตร์ต้องเดินทางระหว่างฐานข้อมูลและซอฟต์แวร์ที่ไม่พูดภาษาเดียวกัน ผลคือองค์ความรู้ที่สร้างขึ้นแล้วไม่เคยถูกใช้เต็มขีดความสามารถ ความกล้าติดตั้งแพลตฟอร์มเดียวครอบคลุมทั้งการวิเคราะห์เซลล์เดี่ยว พันธุศาสตร์มนุษย์ ชีววิทยาของโรค และการประเมินเป้าหมาย คือการยอมรับว่าการทดลองแบบเดิมไม่ทันโรคยุคใหม่

Biomni Lab ไม่ใช่แค่ซอฟต์แวร์อีกตัว แต่เป็นสภาพแวดล้อมชีววิทยาที่รวมทุกอย่างไว้ในเวิร์กสเปซเดียว เชื่อมต่อฐานข้อมูล ระบบซอฟต์แวร์ และเครื่องมือวิเคราะห์มากกว่า 300 รายการ พร้อมตัวแทน AI ที่ทำงานกับโดเมนชีววิทยาอย่างน้อย 25 ด้าน การที่แพลตฟอร์มโอเพ่นซอร์ส Biomni ถูกนำไปใช้แล้วในห้องปฏิบัติการและองค์กรสุขภาพกว่า 7,000 แห่ง คือสัญญาณว่าวงการยาไม่มอง AI เป็นของเล่นอีกต่อไป แต่เป็นโครงสร้างพื้นฐานใหม่ ในทางปฏิบัติ สิ่งนี้หมายถึงระยะเวลาคัดกรองเซลล์และทรานสคริปโตมที่เคยกินเวลาหลายสัปดาห์ถูกบีบอัดเหลือเพียงไม่กี่ชั่วโมงในกรณีศึกษาจริง เมื่อเวลาและแรงงานลดลง การตั้งคำถามทางวิทยาศาสตร์ใหม่ๆ จึงเกิดขึ้นได้ถี่ขึ้น และการค้นพบยาที่ออกแบบด้วย AI ก็ไม่ใช่โปรเจ็กต์ทดลองข้างแล็บ แต่กลายเป็นงานหลักขององค์กร

Virtual Biotech ของมหาวิทยาลัยสแตนฟอร์ด: 37,000 เอเจนต์ออกแบบยาเองและได้รับการยืนยันจากอุตสาหกรรม

ถ้า Biomni Lab แสดงให้เห็นว่าแพลตฟอร์ม AI สามารถเข้าไปอยู่ในโครงสร้างองค์กรยาได้ Virtual Biotech ของทีมวิจัยสแตนฟอร์ดก็แสดงให้เห็นอีกขั้นหนึ่งว่าองค์กรนั้นสามารถเป็นเสมือนจริงทั้งหมดได้ แนวคิด “หนึ่งวิศวกร หนึ่งเอเจนต์” กำลังถูกท้าทายอย่างตรงไปตรงมาในงานนำเสนอที่ VB Transform เมื่อ James Zou ชี้ว่าขอบเขตต่อไปไม่ใช่การสร้างเอเจนต์เดี่ยวที่เก่งขึ้น แต่เป็นการให้เอเจนต์นับหมื่นตัวร่วมมือกัน จุดเริ่มต้นของระบบนี้คือห้องทดลองเสมือน 5–8 เอเจนต์ มี “ศาสตราจารย์ AI” ทำหน้าที่หัวหน้าทีม และ “นักศึกษา AI” ที่มีความเชี่ยวชาญเฉพาะด้าน จัดประชุมกลุ่มและไป “โรงเรียนเอเจนต์” เพื่อฝึกแบบมีผู้ควบคุม ซึ่งเป็นการจำลองสถาบันวิจัยทั้งแห่งในรหัสและโมเดล

เมื่อระบบนี้เติบโตจนกลายเป็น Virtual Biotech ที่มีเอเจนต์เฉพาะทางนับหมื่นตัวและมีเอเจนต์ในบทบาท Chief Scientific Officer ดูแล ทีมงานไม่หยุดที่การออกแบบโปรตีนต้านไวรัสโควิดแบบนาโนบอดีเท่านั้น แต่ขยายไปสู่การออกแบบยารักษาโรคมะเร็งปอด โดยระดมเอเจนต์ “clinical trial” ถึง 37,000 ตัวเพื่อสังเคราะห์ข้อมูลการทดลองทางคลินิกที่แตกเป็นชิ้นๆ ผลลัพธ์ไม่ใช่รายงานภายใน แต่มวลความรู้ที่ชี้ไปสู่การออกแบบ antibody-drug conjugate (ADC) เป้าหมายโปรตีน CD276 สำหรับมะเร็งปอด ซึ่งระบบออกแบบเองโดยใช้เฉพาะข้อมูลที่เผยแพร่ก่อนมกราคม 2025 การที่ดีไซน์นี้ถูกบริษัทชั้นนำด้านยาระดับโลกตรวจสอบและยืนยันอย่างเป็นอิสระ คือหมุดหมายที่บอกว่า การวิจัยยาอัตโนมัติไม่ได้เป็นแค่การจำลองงานมนุษย์ แต่เริ่มทำสิ่งที่มนุษย์อาจมองไม่เห็น

AI ค้นพบยาใหม่สำหรับโรคดื้อการรักษา: จากพาร์กินสันถึงโรคปอดพังถาวรและการติดเชื้อดื้อยา

คำถามสำคัญไม่ใช่แค่ว่า AI ทำงานได้เร็วขึ้น แต่คือทำให้เรารักษาโรคที่เคยถูกมองว่า “รักษาไม่หาย” ได้หรือไม่ งานของทีมวิจัยด้านยาปฏิชีวนะที่ใช้โมเดล AI คัดกรองโครงสร้างเคมีหลายสิบล้านแบบและค้นพบสารประกอบใหม่สองชนิดที่ฆ่าเชื้อหนองในและ MRSA ได้ แสดงให้เห็นว่าการวิจัยยาอัตโนมัติสามารถเปิดกลไกการออกฤทธิ์แบบใหม่ ลดการพึ่งพายากลุ่มเดิมและบรรเทาปัญหาดื้อยา ขณะเดียวกัน AI ก็ไม่หยุดอยู่ที่แบคทีเรีย โมเดลจากโรงเรียนแพทย์ชั้นนำได้ระบุยาที่ได้รับอนุญาตเกือบ 8,000 ชนิดที่อาจนำกลับมาใช้รักษาโรคต่างๆ ได้ประมาณ 17,000 โรค นี่คือการใช้เทคโนโลยี machine learning ยาเพื่อพลิกตำราเดิม เปิดเส้นทางการรักษาใหม่ให้โรคหายากและโรคระบบประสาทอย่างพาร์กินสัน ซึ่งจนถึงตอนนี้การรักษายังมุ่งที่การบรรเทาอาการเป็นหลัก

หลักฐานที่เด่นที่สุดว่า AI ออกแบบยาแล้วใช้ได้จริงในคน ไม่ได้หยุดอยู่ในระดับแบบจำลอง มาจากโมเลกุลชื่อ rentosertib (ISM001-055) สำหรับโรค idiopathic pulmonary fibrosis โรคที่เนื้อปอดกลายเป็นแผลเป็นอย่างถาวรและผู้ป่วยจำนวนมากเสียชีวิตภายในไม่กี่ปี แม้ยาที่มีอยู่จะทำได้เพียงชะลอการเสื่อม ในการทดลองทางคลินิกระยะ IIa GENESIS-IPF ผู้ป่วยที่ได้รับขนาดยาที่เหมาะสมมีค่า forced vital capacity ดีขึ้นอย่างมีนัยสำคัญ +98.4 มิลลิลิตร เมื่อเทียบกับยาหลอก สิ่งที่ทำให้ rentosertib กลายเป็นจุดเปลี่ยนไม่ใช่ตัวเลข แต่คือที่มาของมัน เป้าหมายโรคเป็นเอนไซม์ TNIK ที่ถูกค้นพบด้วยระบบ AI ที่วิเคราะห์ข้อมูล multi-omics ส่วนโมเลกุลเองถูกออกแบบด้วย generative model นี่คือยาที่ทั้งเป้าหมายและสารออกฤทธิ์เป็น “ไอเดียของเครื่อง” ตั้งแต่ต้น และได้รับการพิสูจน์ในคนไข้

กำแพงใหม่: เมื่อกฎระเบียบและการแลกเปลี่ยนข้อมูลกลายเป็นคอขวดของการวิจัยยาอัตโนมัติ

เมื่ออ่านเรื่องราวของ Biomni Lab, Virtual Biotech และ rentosertib แล้ว ง่ายมากที่จะคิดว่าปัญหาของการค้นพบยาถูกแก้ไปแล้ว แต่ความจริงกลับตรงกันข้าม: วิทยาศาสตร์กำลังกลายเป็นส่วนที่ง่ายที่สุด ส่วนที่ยากคือโลกที่กำลังสร้างกำแพงขึ้นพร้อมกันกับที่เครื่องมือทางการแพทย์ต้องการข้อมูลจากทุกมุมโลกอย่างไม่รู้จักพอ แพลตฟอร์ม AI ค้นพบยาต้องพึ่งข้อมูลพันธุกรรม ข้อมูลการทดลองทางคลินิก และความสามารถในการผลิตจากหลายภูมิภาค การที่นโยบายข้อมูลและกฎระเบียบสุขภาพเคลื่อนตัวไปทางการปิดกั้น ทำให้การวิจัยยาอัตโนมัติถูกขังอยู่ในเกาะของข้อมูลแต่ละฝั่ง ผลคือโมเดลต้องเรียนรู้จากภาพที่ขาดวิ่นและกลายเป็นการออกแบบยาในโลกสมมติแทนโลกจริง

การเพิ่มจำนวนเอเจนต์จากหลักสิบไปสู่ 37,000 ตัวใน Virtual Biotech แสดงให้เห็นว่าการปรับปรุงระบบในยุคนี้ไม่ใช่การจูนโมเดลเดี่ยวๆ แต่คือการออกแบบสิ่งแวดล้อมให้เอเจนต์ร่วมมือกันอย่างมีประสิทธิภาพ แต่ต่อให้เราปรับพารามิเตอร์การร่วมมือเก่งแค่ไหน หากข้อมูลข้ามพรมแดนไม่ได้ หรือคำอธิบายผลการทดลองถูกจำกัดด้วยข้อกฎหมาย ปัญหาจะย้ายจาก “เราออกแบบยาได้หรือไม่” ไปสู่ “เรากล้าหรืออนุญาตให้ใช้ยานั้นอย่างไร” นี่คือสาเหตุที่บทสนทนาเรื่องการกำกับดูแล AI ผ่านกฎระเบียบและมาตรฐานการแลกเปลี่ยนข้อมูลควรเดินไปพร้อมกับความก้าวหน้าทางวิทยาศาสตร์ มิฉะนั้นโรคพาร์กินสัน โรคไวรัส และโรคเนื้อปอดพังถาวรอาจมียาที่ออกแบบด้วย AI อยู่ในท่อวิจัย แต่ไม่เคยไปถึงเตียงคนไข้ ข้อสรุปจึงชัดเจน: ความท้าทายต่อไปของ AI ค้นพบยาไม่ใช่สมการโมเลกุล แต่เป็นสมการทางสังคมและการเมืองที่เรายังไม่ยอมแก้