เจาะประเด็น
AI / Biotech
AI ช่วยค้นหายา: อย่าหลงเชื่อ hype แต่อย่าดูถูกว่ามันคือแค่กระแส
บทความจาก Nature Reviews Drug Discovery ตัดภาพความจริงของ AI ในวงการยา — ว่ากันตรงๆ ไม่มีสูตรสำเร็จ แต่ก็ไม่ใช่ทางตัน
ทีมข่าว เอไอไทย.com
⏱ อ่าน 5 นาที
ถ้าคุณคิดว่า AI จะมาเขย่าวงการค้นหายาให้ปังในพริบตา ขอบอกเลยว่าคุณดูหนังฮอลลีวูดเยอะไปหน่อย แต่ถ้าคุณคิดว่ามันคือของเล่นแพงๆ ที่ไม่มีวันเป็นจริง — คุณก็กำลังพลาดของจริงอยู่เหมือนกัน บทความรีวิวชิ้นใหญ่จาก Nature Reviews Drug Discovery ฉบับล่าสุดเพิ่งตีพิมพ์บทความที่ว่าด้วยสถานะของ AI ในงานค้นหายาโดยเฉพาะ และมันไม่ได้ให้คำตอบที่ฟังแล้วสบายหูแบบ “AI จะช่วยรักษาโรคได้ทุกโรค” แต่กลับวาดภาพที่สมจริงและซับซ้อนกว่าที่สื่อกระแสหลักชอบโปรโมต
ก่อนอื่นต้องทำความเข้าใจก่อนว่า “AI ในงานค้นหายา” ไม่ได้หมายถึงหุ่นยนต์ใส่ชุดแล็บคอยปิเปตสาร แต่หมายถึงการใช้โมเดลแมชชีนเลิร์นนิงและดีพเลิร์นนิงเข้ามาช่วยในทุกขั้นตอนของกระบวนการ ตั้งแต่การคัดกรองโมเลกุล candidate เบื้องต้น การทำนายโครงสร้างโปรตีน ไปจนถึงการออกแบบยาแบบ de novo และการคาดการณ์ความเป็นพิษหรือผลข้างเคียง ฟังดูเข้าท่าใช่ไหม? แต่ความจริงในสนามมันไม่ได้สวยหรูขนาดนั้น
ประเด็นสำคัญที่บทความชี้ให้เห็นคือ ช่องว่างระหว่าง “ความสามารถของ AI ในห้องทดลอง” กับ “ผลลัพธ์จริงในคลินิก” ยังกว้างพอๆ กับเหว แม้จะมีข่าวโมเดล AI ทำนายโครงสร้างโปรตีนได้แม่นยำ หรือออกแบบโมเลกุลใหม่ได้ภายในไม่กี่วัน แต่จำนวนยาที่ถูกค้นพบด้วยความช่วยเหลือของ AI และผ่านการอนุมัติให้ใช้จริงในมนุษย์นั้นยังน้อยนิดจนน่าตกใจ นี่ไม่ใช่เรื่องน่าอายที่จะยอมรับ แต่มันคือความจริงที่คนในวงการต้องพูดกันตรงๆ แทนที่จะปล่อยให้สตาร์ทอัพแต่งตัวโปรย hype เพื่อระดมทุน
บทความนี้ตีพิมพ์ในวารสารระดับตำนานอย่าง Nature Reviews Drug Discovery ซึ่งไม่ได้ออกมารายงานข่าวตามกระแส แต่เป็นการทบทวนวรรณกรรมและงานวิจัยอย่างจริงจังว่าตอนนี้ AI ยืนอยู่ตรงจุดไหนในกระบวนการค้นหายา มันคือการ “วัดระดับ” ครั้งสำคัญของวงการ เพราะถ้าคนที่เขาว่ากันว่าเป็น “ไบเบิลของวงการยา” ยอมเสียเวลามานั่งสรุปให้ฟัง นั่นหมายความว่าประเด็นนี้ถึงจุดที่ต้องพูดกันแบบไม่ไว้หน้าใครแล้ว
สิ่งที่บทความพยายามสื่อคือการแยก “สัญญา” (promise) ออกจาก “ความจริง” (reality) ให้ชัดเจน AI มีศักยภาพในการลดต้นทุนและเวลาในการค้นหายาได้จริง ต้นทุนในการพัฒนายาตัวหนึ่งขึ้นมาสู่ตลาดอาจสูงถึงพันล้านดอลลาร์และใช้เวลาร่วมทศวรรษ หาก AI ช่วยตัดเวลาตรงนี้ออกไปได้แม้แต่ 20-30% นั่นคือการเปลี่ยนแปลงครั้งใหญ่ แต่การจะไปถึงจุดนั้นได้ ต้องอาศัยข้อมูลคุณภาพสูง ซึ่งเป็นจุดอ่อนเรื้อรังของวงการนี้มานาน — ข้อมูลชีวภาพและเคมีจำนวนมากกระจัดกระจาย ไม่อยู่ในรูปแบบที่เครื่องอ่านได้ และเต็มไปด้วยอคติจากการทดลองที่ออกแบบไม่ดี
จากที่ผมไล่เรียงอ่านงานวิจัยและติดตามข่าวสตาร์ทอัพด้าน AI drug discovery มาสองสามปี สิ่งที่ Nature กำลังบอกเราคือ “ถึงเวลาหยุดขายฝันแล้วลงมือทำการบ้าน” โมเดลภาษาขนาดใหญ่ (LLM) หรือ generative model ที่สร้างโมเลกุลใหม่ได้นั้นดูเท่ แต่ถ้าทดลองในหลอดแก้วแล้วไม่ได้ผล หรือมีอัตราการตกหล่น (attrition rate) สูงเท่าเดิม ก็ไม่มีประโยชน์อะไรเลย
จุดที่บทความนี้โดนใจผมมากที่สุดคือการย้ำว่า AI ไม่ได้มาแทนที่นักวิทยาศาสตร์ แต่เป็นเครื่องมือขยายความสามารถ หากมองในแง่นี้ อนาคตของวงการนี้ไม่ได้ขึ้นอยู่กับว่าโมเดลฉลาดแค่ไหน แต่ขึ้นอยู่กับว่าเรามีข้อมูลดีพอให้มันเรียนรู้หรือไม่ และทีมวิจัยจะใช้มันอย่างชาญฉลาดแค่ไหน — ใครที่คิดว่าแค่ซื้อ GPU มาตั้งคลัสเตอร์แล้วใส่ข้อมูลเข้าไปก็จะได้ยาออกมา ขอบอกว่าคุณกำลังเข้าใจผิดอย่างมหันต์
อีกประเด็นที่บทความไม่ได้พูดตรงๆ แต่ผมอยากชี้ให้เห็นคือเรื่องของ “ฟองสบู่” ในเชิงการลงทุน ตอนนี้สตาร์ทอัพด้าน AI drug discovery ระดมทุนกันเป็นหมื่นล้านดอลลาร์ ด้วย valuation ที่สูงลิ่ว แต่เมื่อไหร่ก็ตามที่นักลงทุนเริ่มถามหาผลลัพธ์ที่เป็นรูปธรรม — ยาที่ผ่าน Phase I, Phase II — หลายบริษัทอาจอยู่ไม่รอด เพราะการทำยามันไม่เหมือนการทำแอป เราไม่สามารถ release version 1.0 แล้วค่อยแก้บั๊กทีหลังได้ ยาที่ฆ่าคนตายคือยาที่ฆ่าคนตาย ไม่มีคำว่า “เดี๋ยวอัปเดตแพตช์ให้”
ท้ายที่สุดแล้ว บทความนี้คือเครื่องเตือนใจที่จำเป็นอย่างยิ่งสำหรับวงการที่กำลังเมามันกับเทคโนโลยี ว่าความก้าวหน้าที่แท้จริงต้องวัดที่ “ผู้ป่วยหายจากโรค” ไม่ใช่วัดที่ “จำนวน paper ที่ตีพิมพ์” หรือ “จำนวนโมเดลที่เทรนเสร็จ” AI ในงานค้นหายาจะประสบความสำเร็จได้ ก็ต่อเมื่อเราหยุดมองมันเป็นเวทมนตร์ แล้วเริ่มมองมันเป็นเครื่องมือที่ต้องใช้อย่างมีวินัย — ต้องมีข้อมูลที่ดี มีคำถามทางชีววิทยาที่เฉียบคม และที่สำคัญที่สุดคือมีความอดทนที่จะรอผลลัพธ์ที่อาจต้องใช้เวลาอีกหลายปีกว่าจะพิสูจน์ได้
สรุปสั้นๆ: AI ในการค้นหายาคือ “ม้าเร็ว” ที่ยังต้องมีคนขี่ที่เก่ง และต้องวิ่งบนสนามที่มีข้อมูลดีพอ — ใครที่รอวันปาฏิหาริย์อาจต้องรอไปอีกนาน แต่ใครที่ลงมือทำการบ้านหนักๆ ตอนนี้ จะเป็นคนที่ได้เปรียบที่สุดในอีก 5 ปีข้างหน้า ฟันธง!
ที่มา: Nature Reviews Drug Discovery — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...