برای AI یک صندلی در هیئت‌مدیره کنار بگذارید

هوش مصنوعی و صنعت دارو در سال ۲۰۲۵/

دکتر محمدرضا غلامی، (دستیار تخصصی گروه اقتصاد و مدیریت دارو دانشکده داروسازی دانشگاه علوم پزشکی تهران): سال ۲۰۲۵ نقطه عطفی بنیادین در مسیر تحول هوش مصنوعی در صنعت داروسازی بود؛ سالی که طی آن،AI[1]  از نقش یک ابزار کمکی در پژوهش به یک مؤلفه محوری در تصمیم‌سازی‌های راهبردی تبدیل شد. رشد شتاب‌دار بازارهای مرتبط با فناوری‌های AI، ورود نخستین مولکول‌های طراحی‌شده با مدل‌های مولد (Generative AI) به مراحل کارآزمایی انسانی، افزایش همکاری‌های ساختاریافته میان شرکت‌های داروسازی و پلتفرم‌های AI-first[2]، و ارتقای قابلیت‌های مدل‌های ایمنی، انتخاب تارگت، همگی بیانگر ورود صنعت داروسازی به مرحله‌ای جدید از بلوغ دیجیتال هستند؛ مرحله‌ای که می‌توان آن را «دوره تثبیت» یا Stabilization Phase  نام نهاد.

این گزارش سعی دارد که با مرور مسیر تحول از سال‌های ۲۰۲۰ تا ۲۰۲۴، جایگاه منحصربه‌فرد سال ۲۰۲۵ را در تکامل علمی، فناورانه و حکمرانی داروسازی تحلیل ‌کند و پیامدهای مدیریتی و سیاستی آن را برای آینده نشان ‌دهد.

***

تحولات سال ۲۰۲۵ نشان داد که هوش مصنوعی در صنعت داروسازی به مرحله‌ای رسیده که به‌جای ایفای نقش یک ابزار کمکی، در ساختار تصمیم‌سازی و طراحی استراتژی‌های سازمانی جایگاهی مستقل یافته است. افزایش چشم‌افسای اندازه بازار هوش مصنوعی در کشف دارو -با دستیابی به ارزش ۶.۹۳ میلیارد دلار- و رشد بازار AI در تولید، کنترل کیفیت و زنجیره تأمین، نشانه‌هایی کمّی از این گذار هستند.
از سوی دیگر، پیشرفت‌های عملیاتی و رگولاتوری -از جمله اعتباربخشی رسمی نخستین ابزار AI در توسعه دارو توسط FDA[3]– نشان دادند که این فناوری از مرحله «امتحان و کنجکاوی» عبور کرده و وارد «زیرساخت تصمیم‌سازی صنعت» شده است.

این گزارش با هدف تبیین علمی این گذار، به بررسی چهار محور می‌پردازد:
۱) مسیر تکاملی ۲۰۲۰ تا ۲۰۲۴
۲ (شواهد علمی و بالینی سال ۲۰۲۵
۳ (پیامدهای ساختاری و حکمرانی
۴( لزوم بازتعریف جایگاه AI در سطوح مدیریتی و استراتژیک

مرور مسیر تکامل: از ۲۰۲۰ تا ۲۰۲۴

۲۰۲۰: آغاز مرحله اکتشاف علمی

در این دوره، کاربرد AI عمدتاً محدود به تحلیل داده، غربالگری اولیه و طراحی مولکولی مجازی بود. شواهد بالینی اندک و بازار این فناوری کوچک و در حال شکل‌گیری بود.

۲۰۲۱–۲۰۲۲: بلوغ اولیه و گسترش پروژه‌های پایلوت

الگوریتم‌های یادگیری عمیق در پیش‌بینی سمیت، طراحی مولکول و تحلیل داده‌های زیستی پیشرفت کردند. شرکت‌ها شروع به تشکیل تیم‌های داده‌محور و ایجاد خطوط پژوهشی جدید نمودند.

۲۰۲۳: ورود سرمایه و شکل‌گیری همکاری‌های صنعتی بزرگ

در این سال، شرکت‌های داروسازی به‌طور رسمی وارد شراکت‌های چندمیلیون‌دلاری با پلتفرم‌های AI-first  شدند. هوش مصنوعی از یک پروژه جانبی به یک مؤلفه در زنجیره ارزش R&D[4] تبدیل شد.

۲۰۲۴: گذار از قابلیت به کاربرد

بهبود مدل‌های  toxicity prediction، استفاده گسترده‌تر از Omics + AI در انتخاب تارگت، و توسعه چرخه‌های طراحی –بهینه‌سازی– آزمایش نشان داد که AI می‌تواند بر کیفیت و جهت تحقیقات اثر مستقیم بگذارد. این مرحله زمینه‌ساز تثبیت ۲۰۲۵ شد.

سال ۲۰۲۵: تثبیت هوش مصنوعی در صنعت داروسازی

ورود GenAI به مراحل بالینی انسانی

یکی از مهم‌ترین رخدادهای سال ۲۰۲۵، انتشار نتایج فاز IIa داروی rentosertib (INS018_055) بود؛ مولکولی طراحی‌شده با استفاده از مدل‌های مولد.
اهمیت این موضوع تنها در موفقیت یک داروی خاص نیست؛ بلکه در این است که نشان داد:

• مدل‌های مولد قادرند ساختارهایی را پیشنهاد دهند که الزاماً در فضای شیمیایی متداول انسان تعریف نشده‌اند.
• الگوریتم می‌تواند گزینه‌های درمانی غیرقابل تصور برای انسان تولید کند.
• هزینه و زمان توسعه دارو، که به‌طور میانگین ۲ تا ۲.۶ میلیارد دلار و چندین سال طول می‌کشد، می‌تواند به‌طور معنی‌دار کاهش یابد.

این رخداد نخستین گذار از «AI promise» به «AI evidence» بود.

پیشرفت‌های علمی و مدل‌محور

الف) مدل‌های ایمنی و سمیت

پلتفرم‌های مبتنی بر یادگیری عمیق مانند ToxBERT در ۲۰۲۵ به سطحی از دقت رسیدند که به‌طور گسترده در تصمیم‌گیری صنعتی مورد استفاده قرار گرفتند.
این مدل‌ها قادر بودند ریسک hERG[5] و سایر شاخص‌های ایمنی را با دقت رقابتی پیش‌بینی کنند.

ب) انتخاب تارگت مبتنی بر Omics + Causal AI

ترکیب تحلیل ژنومی و علیتی موجب شد انتخاب تارگت از حدس‌های تجربی به نظامی مبتنی بر شواهد زیستی و مکانیسمی تبدیل شود.

ج) مدل‌های پروتئینی و Drugability

الگوریتم‌های ۲۰۲۵ امکان ارزیابی دقیق‌تر دینامیک پروتئین، دسترس‌پذیری ساختاری و احتمال موفقیت تعامل دارو–پروتئین را فراهم کردند.

تحول ساختاری R&D: گذار از Science-driven به Model-driven

یکی از تغییرات کمتر مورد توجه در ۲۰۲۵ این بود که در بسیاری از پروژه‌ها، تصمیم‌سازی R&D از «محقق‌محور» به «مدل‌محور» تغییر یافت.
به‌جای آنکه آزمایشگاه مسیر تحقیق را تعیین کند، مدل مسیر را پیشنهاد می‌دهد و سپس محقق آن را ارزیابی و اعتبارسنجی می‌کند.

این تغییر سه پیام کلیدی دارد:

۱. بخشی از «کشف علمی» اکنون توسط الگوریتم انجام می‌شود.
۲. سرعت تصمیم‌گیری به‌شکلی چشم‌افسا افزایش می‌یابد.
۳. نقش محقق از «مولف مسیر» به «منتقد مسیر» تغییر می‌کند.

این گذار، بنیان آینده R&D را شکل می‌دهد.

کاربردهای AI در تولید، QC[6]  و زنجیره تأمین

در حالی که توجه عمده به جنبه‌های تحقیقاتی معطوف است، مهم‌ترین منافع مالی در ۲۰۲۵ در بخش تولید و زنجیره تأمین حاصل شد.
استفاده از: بینایی ماشین در QC – نگه‌داشت پیش‌بین – بسته‌بندی هوشمند و “ردیابی زنجیره‌تأمین”، این‌ها باعث کاهش جدی خطاها، توقف‌های ناگهانی و انحرافات GMP[7] شد.
در این بخش، بسیاری از شرکت‌ها برای نخستین بار AI را یک دارایی اقتصادی تلقی کردند، نه یک هزینه فناورانه.

چالش‌ها و محدودیت‌های ۲۰۲۵

رشد سریع فناوری در این سال، چالش‌های اساسی را نیز آشکار کرد:

• کیفیت ناکافی و ناهمگونی داده‌های زیستی – سوگیری مدل‌ها در سمیت یا پیش‌بینی بالینی – نیاز به شفافیت و توضیح‌پذیری برای رگولاتورها – کمبود نیروی انسانی میان‌رشته‌ای و “فاصله میان سرعت نوآوری و سرعت قانون‌گذاری”، این چالش‌ها نشان می‌دهند که AI بدون زیرساخت داده، مهارت و حکمرانی مناسب، به نتایج پایدار نخواهد رسید.

پیامدهای مدیریتی و حکمرانی

یکی از دستاوردهای تحلیلی سال ۲۰۲۵ این بود که شرکت‌های دارویی دریافتند:

AI  پروژه نیست؛ زیرساخت است.

این درک موجب شد بسیاری از شرکت‌ها به سمت ایجاد؛ ساختارهای حاکمیت داده (Data Governance) – تیم‌های میان‌رشته‌ای پایدار – نقشه‌راه AI پنج‌ساله – چارچوب‌های داخلی اعتبارسنجی مدل و “کمیته‌های AI Governance” حرکت کنند.

این رویکرد، شرایط لازم برای استفاده اثربخش و مسئولانه از فناوری را فراهم می‌کند.

چشم‌انداز ۲۰۲۶ و فراتر

پیش‌بینی‌ها نشان می‌دهد که در ۲۰۲۶:

• مدل‌های پایه زیستی (Bio Foundation Models) وارد فاز عملیاتی می‌شوند
• RWE[8] و AI در کنار هم به تصمیم‌سازی بالینی کمک می‌کنند
• داروهای طراحی‌شده توسط AI در فازهای میانی افزایش می‌یابند
• شرکت‌ها به سمت ساختارهای AI-native حرکت می‌کنند. این روندها نشان می‌دهد که AI در آینده نه تنها نقش «شریک»، بلکه نقش «هماهنگ‌کننده» در ساختار تصمیم‌سازی را خواهد داشت.

نتیجه

تحولات سال ۲۰۲۵ ثابت کرد که هوش مصنوعی؛ ماهیت تصمیم‌سازی را تغییر می‌دهد – ریسک‌های late-stage را کاهش می‌دهد – دقت انتخاب تارگت را افزایش می‌دهد – چرخه R&D را کوتاه‌تر و کم‌هزینه‌تر می‌کند، و “ساختار تولید و زنجیره تأمین را بهینه می‌سازد”. بنابراین، پرسش اساسی امروز صنعت داروسازی دیگر آن نیست که «آیا زمان آن رسیده است که از AI استفاده کنیم یا خیر؟»، بلکه این است که: اکنون AI در ساختار قدرت سازمان کجا ایستاده است و چگونه باید به نقش آن رسمیت داد ؟

پاسخ به این پرسش ضرورت ایجاد جایگاهی پایدار برای AI در سطوح بالای تصمیم‌سازی -از جمله هیئت‌مدیره- را آشکار می‌کند.

[1] Artificial Intelligence

[2] رویکردی که در آن هوش مصنوعی نقطه‌ی آغاز و محرک اصلی تصمیم‌سازی و طراحی فرآیندهاست، نه یک ابزار پشتیبان.

[3] Food and Drug Administration

[4] Research and Development

[5] human Ether-à-go-go-Related Gene

[6] Quality Control

[7] Good Manufacturing Practice

[8] Real-World Evidence

/انتهای پیام/