تمتلك التكنولوجيا الحيوية الحديثة الأدوات اللازمة لتحرير الجينات وتصميم الأدوية، ومع ذلك تظل الآلاف من الأمراض النادرة دون علاج. وفقًا للمديرين التنفيذيين في Insilico Medicine وGenEditBio، فإن العنصر المفقود لسنوات هو العثور على عدد كافٍ من الأشخاص الأذكياء لمواصلة العمل. ويقولون إن الذكاء الاصطناعي أصبح بمثابة القوة المضاعفة التي تتيح للعلماء معالجة المشكلات التي ظلت الصناعة دون حل منذ فترة طويلة.
وفي معرض حديثه هذا الأسبوع في Web Summit قطر، أوضح رئيس Insilico، Alex Aliper، هدف شركته المتمثل في تطوير “الذكاء الفائق الدوائي”. أطلقت Insilico مؤخرًا “MMAI Gym” الذي يهدف إلى تدريب نماذج اللغات الكبيرة العامة، مثل ChatGPT وGemini، على الأداء بالإضافة إلى النماذج المتخصصة.
الهدف هو بناء نموذج متعدد الوسائط ومتعدد المهام، والذي، كما يقول أليبر، يمكنه حل العديد من مهام اكتشاف الأدوية المختلفة في وقت واحد وبدقة خارقة.
وقال أليبر في مقابلة مع موقع TechCrunch: “نحن حقًا بحاجة إلى هذه التكنولوجيا لزيادة إنتاجية صناعة الأدوية لدينا ومعالجة النقص في العمالة والمواهب في هذا المجال، لأنه لا يزال هناك الآلاف من الأمراض دون علاج، ودون أي خيارات علاجية، وهناك الآلاف من الاضطرابات النادرة التي يتم إهمالها”. “لذلك نحن بحاجة إلى أنظمة أكثر ذكاءً لمعالجة هذه المشكلة.”
تستوعب منصة Insilico البيانات البيولوجية والكيميائية والسريرية لإنشاء فرضيات حول أهداف المرض والجزيئات المرشحة. ومن خلال أتمتة الخطوات التي كانت تتطلب في السابق جحافل من الكيميائيين وعلماء الأحياء، تقول إنسيليكو إنها تستطيع التدقيق في مساحات التصميم الشاسعة، وترشيح مرشحين علاجيين عاليي الجودة، وحتى إعادة استخدام الأدوية الموجودة – وكل ذلك بتكلفة ووقت أقل بشكل كبير.
على سبيل المثال، استخدمت الشركة مؤخرًا نماذج الذكاء الاصطناعي الخاصة بها لتحديد ما إذا كان من الممكن إعادة استخدام الأدوية الموجودة لعلاج مرض التصلب الجانبي الضموري (ALS)، وهو اضطراب عصبي نادر.
لكن عنق الزجاجة في العمل لا ينتهي عند اكتشاف الدواء. وحتى عندما يتمكن الذكاء الاصطناعي من تحديد أهداف أو علاجات واعدة، فإن العديد من الأمراض تتطلب تدخلات على مستوى بيولوجي أكثر جوهرية.
حدث تك كرانش
بوسطن، MA
|
23 يونيو 2026
يعد GenEditBio جزءًا من “الموجة الثانية” لتحرير الجينات بتقنية CRISPR، حيث تتحرك العملية بعيدًا عن تحرير الخلايا خارج الجسم (خارج الجسم الحي) ونحو التسليم الدقيق داخل الجسم (في الجسم الحي). هدف الشركة هو جعل تحرير الجينات يتم حقنه مرة واحدة مباشرة في الأنسجة المصابة.
قال تيان تشو، المؤسس المشارك والرئيس التنفيذي لشركة GenEditBio، لـ TechCrunch: “لقد قمنا بتطوير ePDV، أو وسيلة توصيل البروتين الهندسية، وهي جسيمات تشبه الفيروسات”. “نحن نتعلم من الطبيعة ونستخدم أساليب التعلم الآلي بالذكاء الاصطناعي لاستخراج الموارد الطبيعية والعثور على أنواع الفيروسات التي لها صلة بأنواع معينة من الأنسجة.”
إن “الموارد الطبيعية” التي يشير إليها تشو هي مكتبة GenEditBio الضخمة التي تضم الآلاف من جزيئات البوليمر النانوية الفريدة وغير الفيروسية وغير الدهنية – وهي في الأساس مركبات توصيل مصممة لنقل أدوات تحرير الجينات بأمان إلى خلايا محددة.
وتقول الشركة إن منصة NanoGalaxy الخاصة بها تستخدم الذكاء الاصطناعي لتحليل البيانات وتحديد كيفية ارتباط الهياكل الكيميائية بأهداف أنسجة محددة (مثل العين أو الكبد أو الجهاز العصبي). يتنبأ الذكاء الاصطناعي بعد ذلك بالتعديلات التي ستُدخل على كيمياء مركبة التوصيل والتي ستساعدها على حمل حمولة دون إثارة استجابة مناعية.
يقوم GenEditBio باختبار ePDVs في الجسم الحي في مختبرات رطبة، ويتم إرسال النتائج مرة أخرى إلى الذكاء الاصطناعي لتحسين دقته التنبؤية للجولة التالية.
يقول تشو إن التوصيل الفعال والمخصص للأنسجة هو شرط أساسي لتحرير الجينات في الجسم الحي. وتجادل بأن النهج الذي تتبعه شركتها يقلل من تكلفة السلع ويوحد عملية كان من الصعب تاريخياً توسيع نطاقها.
“إنه مثل الحصول على دواء جاهز [that works] وقال تشو: “إن هذا العلاج متاح للعديد من المرضى، مما يجعل الأدوية ميسورة التكلفة ومتاحة للمرضى على مستوى العالم”.
حصلت شركتها مؤخرًا على موافقة إدارة الغذاء والدواء (FDA) لبدء تجارب علاج كريسبر لضمور القرنية.
مكافحة مشكلة البيانات المستمرة
كما هو الحال مع العديد من الأنظمة التي تعتمد على الذكاء الاصطناعي، فإن التقدم في مجال التكنولوجيا الحيوية يواجه في النهاية مشكلة البيانات. تتطلب نمذجة الحالات المتطورة في علم الأحياء البشري بيانات عالية الجودة أكثر بكثير مما يستطيع الباحثون الحصول عليه حاليًا.
وقال أليبر: “ما زلنا بحاجة إلى المزيد من البيانات الحقيقية القادمة من المرضى”. “إن مجموعة البيانات منحازة بشدة للعالم الغربي، حيث يتم إنشاؤها. وأعتقد أننا بحاجة إلى بذل المزيد من الجهود محليا، للحصول على مجموعة أكثر توازنا من البيانات الأصلية، أو بيانات الحقيقة الأساسية، حتى تكون نماذجنا أيضا أكثر قدرة على التعامل معها.”
وقال أليبر إن مختبرات Insilico الآلية تولد بيانات بيولوجية متعددة الطبقات من عينات الأمراض على نطاق واسع، دون تدخل بشري، ثم تغذيها بعد ذلك في منصة الاكتشاف المعتمدة على الذكاء الاصطناعي.
يقول تشو إن البيانات التي يحتاجها الذكاء الاصطناعي موجودة بالفعل في جسم الإنسان، والتي تشكلت عبر آلاف السنين من التطور. فقط جزء صغير من الحمض النووي “يرمز” للبروتينات بشكل مباشر، في حين أن الباقي يعمل كدليل تعليمات لكيفية تصرف الجينات. لقد كان من الصعب تاريخيًا على البشر تفسير هذه المعلومات، ولكنها أصبحت متاحة بشكل متزايد لنماذج الذكاء الاصطناعي، بما في ذلك الجهود الأخيرة مثل AlphaGenome من Google DeepMind.
يطبق GenEditBio نهجًا مشابهًا في المختبر، حيث يختبر الآلاف من الجسيمات النانوية التي يتم توصيلها بالتوازي بدلاً من اختبار واحدة في كل مرة. وتستخدم مجموعات البيانات الناتجة، والتي يطلق عليها تشو “الذهب لأنظمة الذكاء الاصطناعي”، لتدريب نماذجها، وعلى نحو متزايد، لدعم التعاون مع الشركاء الخارجيين.
أحد الجهود الكبيرة القادمة، وفقًا لأليبر، ستكون بناء توائم رقمية من البشر لإجراء تجارب سريرية افتراضية، وهي عملية يقول إنها “لا تزال في مهدها”.
وقال أليبر: “نحن في مرحلة من حوالي 50 دواءً وافقت عليها إدارة الغذاء والدواء كل عام، ونحن بحاجة إلى رؤية النمو”. “هناك ارتفاع في الاضطرابات المزمنة لأننا نتقدم في السن كسكان عالميين.. آمل أن يكون لدينا في غضون 10 إلى 20 عامًا المزيد من الخيارات العلاجية للعلاج الشخصي للمرضى.”
