מדוע גילוי תרופות עדיין שורף מיליארדים על ניחושים

הבעיה

ניקולה טסלה אמר פעם ש"מעט תיאוריה וחישוב" היו חוסכים לתומס אדיסון 90% מעמלו. יותר ממאה שנה לאחר מכן, תעשיות הפרמצבטיקה ומדעי החומרים עדיין מנהלות את המשחק של אדיסון — מסנתזות ובודקות באופן פיזי ספריות עצומות של תרכובות, בתקווה להיתקל במנצח במקרה. המספרים חושפים בדיוק עד כמה הגישה הזו קרסה.

מרחב המולקולות הדמויות-תרופה מוערך בין 10^60 ל-10^100. מסע הסינון הטוב ביותר שלכם בתפוקה גבוהה בודק בערך מיליון תרכובות. כלומר, אתם מכסים 0.000000000000000000000000000000000000000000000000001% מהאפשרויות הזמינות. הספר הלבן אומר זאת בלשון ברורה: זה כמו לנסות למפות את האוקיינוס השקט על ידי טבילת כפית במים במרווחי זמן אקראיים. אם אתם בודקים חומרים חדשים במעבדה רטובה בלי לדמות אותם קודם — אתם שורפים כסף.

זו אינה סקרנות טכנולוגית. זו משבר מבני בכלכלת המחקר והפיתוח. "שיטת אדיסון" — ניסוי וטעייה בכוח גס — מחליפה אינטליגנציה בעבודה ידנית. האיזון הזה מחמיר באופן אקספוננציאלי ככל שמורכבות היעדים שלכם גדלה. הפירות הנמוכים של מולקולות קטנות ופשוטות כבר נקטפו. מה שנותר דורש גישה שונה באופן מהותי: לדמות קודם, ואז לסנתז רק את המועמדים בעלי ההסתברות הגבוהה ביותר.

מדוע זה משנה לעסק שלכם

הנזק הפיננסי כבר גלוי בספרים של התעשייה שלכם. אלה המספרים שצריכים להדאיג את הדירקטוריון שלכם:

• 2.23 מיליארד דולר לכל תרופה חדשה — זו העלות הממוצעת לפיתוח נכס פרמצבטי בודד נכון ל-2024. הספרה הזו בולעת את עלות אלפי הכישלונות עבור כל הצלחה.
• שיעור תשואה פנימית של 1.2% — המחקר והפיתוח הפרמצבטי נגעו בשפל של 12 שנה ב-2022 לפני שהתאוששו ל-5.9% ב-2024. ההתאוששות הזו הונעה בעיקר מחריגים כמו אגוניסטים של GLP-1, לא משיפור שיטתי.
• שיעור כישלון של ~90% — הרוב המכריע של מועמדי המחקר והפיתוח אף פעם לא מגיעים לשוק. כל דולר שמושקע בבדיקה פיזית של תרכובת שסימולציה יכלה לפסול הוא דולר שנגרע ממועמד בר-קיימא.
• AI מודע-עלויות יכול לקצץ עד 90% מעלויות הריאגנטים — אלגוריתמים שלוקחים בחשבון את מחיר הניסויים לצד הערך המידעי שלהם הפגינו חיסכון דרמטי.

לירידה הזו בפרודוקטיביות של המחקר והפיתוח יש שם: חוק אירום — חוק מורה באיות הפוך. כל דור של תרופות קשה ויקר יותר לגילוי. המתחרים שלכם עומדים מול אותה חומה, אבל מי שיעבור ראשון לגילוי מבוסס-סימולציה יחצה את החומה הזאת שנים לפניכם.

עבור הדוח רווח והפסד שלכם, ההשלכה ישירה. סינון בתפוקה גבוהה כבד בהוצאות תפעול: מתכלים, ריאגנטים, זמן עובדים ושעות ציוד. כל ניסוי שתמנעו ממנו בזכות חיזוי טוב יותר יורד ישירות לשורה התחתונה. במקביל, שעוני הפטנט ממשיכים לתקתק. כל יום שנחסך במחקר ופיתוח הוא יום נוסף של בלעדיות בשוק. מולקולות קטנות שתוכננו ב-AI בחברות כמו Exscientia הגיעו לניסויי פאזה I בתוך כ-12 חודשים, לעומת ממוצע ענפי של ארבע עד חמש שנים.

מה שקורה באמת מתחת למכסה המנוע

הכשל המהותי הוא שהגילוי המסורתי מסנן תרכובות במקום לעצב אותן. סינון מניח שהתשובה שלכם כבר קיימת בתוך ספרייה מוכנה מראש. אבל כשעוברים לביולוגיקה מורכבת, לסגסוגות מרובות-יסודות ולחומרים ננו-מבניים, ההסתברות שהפתרון האופטימלי נמצא בכל ספרייה ניתנת-לניהול פיזית צונחת כמעט לאפס.

חשבו על זה כך. יש לכם מנעול צירופים עם 100 ספרות. סינון מסורתי מנסה צירופים אקראיים אחד אחרי השני. גישת סימולציה-תחילה לומדת את מכניקת המנעול, מצמצמת את האפשרויות לכמה בודדות, ורק אז מסובבת את הדיסקה.

השוק מוצף במודלי AI קופסה-שחורה שלומדים רק קורלציות בין נתונים. המודלים האלה מתמוטטים בדומיינים חדשים כי נתונים ניסויים דלילים, רועשים ויקרים לאיסוף. למידת מכונה סטנדרטית מתפקדת היטב בתוך נתוני האימון שלה אבל נכשלת כשמבקשים ממנה לחזות תכונות של מחלקות חומרים חדשות לגמרי. גרוע מכך: כלי AI ג'נרטיבי הבנויים על מודלי שפה גדולים יכולים ל"הזות" — לייצר תיאורי מולקולות שנשמעים הגיוניים אך מפרים כימיה בסיסית. הם עלולים להציע מבנה שמפר כללי ולנטיות או מתעלם משימור מסה. מולקולות הן גרפים תלת-ממדיים של אטומים וקשרים, לא מחרוזות טקסט. להתייחס אליהן כאל משפטים מוביל לתוצאות בלתי-אפשריות פיזיקלית.

החלופה היא Machine Learning מבוסס-פיזיקה (Physics-Informed Machine Learning, או PIML) — מודלים שמטמיעים את חוקי הפיזיקה עצמם (שימור אנרגיה, תרמודינמיקה, מכניקת הקוונטים) ישירות בארכיטקטורת ה-AI. המודלים האלה זקוקים להרבה פחות נתוני אימון כי כללי הכימיה כבר בנויים בהם. הם מחלקים טוב יותר לטריטוריה לא נודעת. והם אינם יכולים להציע מולקולות שמפרות אילוצים פיזיקליים בסיסיים. מערכת אחת, שנקראת FlowER, עוקבת באופן מפורש אחרי איך אלקטרונים מתחלקים מחדש במהלך תגובות כימיות, ומבטיחה שמסה ומטען תמיד נשמרים. אף מודל שפה סטנדרטי לא יכול לעשות זאת.

מה עובד (ומה לא)

שלוש גישות שנראות מבטיחות אך מפגרות:

• ספריות סינון גדולות יותר: התרחבות ממיליון למיליארד תרכובות עדיין מכסה שבר זניח של המרחב הכימי. אי אפשר לפלס דרך בכוח גס דרך 10^60 אפשרויות.
• עוטפי AI גנריים על מודלי שפה ציבוריים: הכלים האלה עוזרים בסקירת ספרות ובניסוח פרוטוקולים, אך חסרים להם האילוצים הפיזיקליים הייחודיים לדומיין שעיצוב מולקולרי דורש. עוטף לא יכול לאכוף שימור מסה בתגובה כימית.
• "Fail fast" בלי סימולציה: להיכשל במעבדה רטובה יקר — ריאגנטים, זמן סינתזה וציוד כולם שורפים הון. כישלון פיזי מהיר נשאר איטי ויקר בהשוואה לכישלון וירטואלי שלוקח אלפיות שנייה של זמן מחשוב.

מה שעובד באמת הוא ארכיטקטורת לולאה-סגורה בת שלושה שלבים:

1. לחזות ולבחור (קלט): מנוע אופטימיזציה בייסיאנית — מסגרת מתמטית שמאזנת בין חקירת טריטוריה כימית לא נודעת לבין חידוד של אזורים מבטיחים מוכרים — מזהה את הניסוי בעל הערך הגבוה ביותר להרצה הבאה. היא לא מנחשת סתם. היא מחשבת היכן נמצא רווח המידע הגדול ביותר ביחס לעלות. גרסאות מרובות-דיוק של האלגוריתם הזה מערבבות סימולציות מחשב זולות עם תוצאות מעבדה יקרות, ומפעילות ניסויים פיזיים רק כשהביטחון של הסימולציה נמוך מדי.

2. לאוטומט ולסנתז (עיבוד): פלטפורמות רובוטיות מקבלות הוראות מה-AI, מסנתזות את החומר החזוי ומריצות בדיקות אפיון — ספקטרוסקופיה, דיפרקציית קרני רנטגן, מיקרוסקופיה — בלי התערבות אנושית. ה-A-Lab במעבדה הלאומית Lawrence Berkeley השתמש בגישה הזו כדי לסנתז 41 תרכובות אי-אורגניות חדשניות ב-17 ימים. כשסינתזה נכשלה, ה-AI ניתח את התוצאות, כיווץ את המתכון וניסה שוב באופן אוטונומי.

3. ללמוד ולעדכן (פלט): כל תוצאה — הצלחה או כישלון — מוזרמת בחזרה למודל. כאן נתונים שליליים הופכים לזהב. ניסויים כושלים מחדדים את הבנת ה-AI לגבי מה שלא עובד, וממפים לצמיתות את אזורי המוות של הכימיה. הארגון שלכם לא יבזבז יותר משאבים על הנתיבים האלה. הידע המצטבר הזה על נופי הכישלון הוא קניין רוחני עמיד.

עבור צוותי הרגולציה והביקורת שלכם, הלולאה הזו יוצרת משהו שחסר למחקר ופיתוח מסורתי: תיעוד מלא וניתן-למעקב של כל חיזוי, כל שיקול דעת וכל תוצאה ניסויית. ה-AI לא רק אומר "נסו את התרכובת הזאת". הוא מראה לכם למה בחר בתרכובת הזאת על פני כל חלופה, מה הוא ציפה ללמוד, ואיך התוצאה שינתה את המודל שלו. שובל ההחלטות הזה ניתן לביקורת, ניתן לשחזור וניתן להגנה.

התאום הדיגיטלי שלכם — העתק וירטואלי של המעבדה הפיזית שלכם — מוסיף שכבת הגנה נוספת. לפני שכל רובוט זז, הניסוי רץ בסימולציה. כך נתפסות טעויות פרוטוקול, התנגשויות תזמון והתנגשויות ציוד לפני שהם הורסות דגימות או מכשירים. השוואה בזמן אמת בין חיזויי התאום לנתוני חיישנים אמיתיים מסמנת אנומליות כמו מזרקות סתומות או טמפרטורות מתפתלות לפני שהן הורסות מנה שלמה.

הטיעון הכלכלי פשוט. ציוד אוטונומי רץ 24/7 עם זמינות שקרובה ל-100%, לעומת 30%–40% האופייניים למעבדות עם צוות אנושי. Insilico Medicine העבירה מועמד נגד פיברוזיס שהתגלה ב-AI מגילוי מטרה לשלב הקליני-המקדים בפחות מ-18 חודשים ובשבריר מהעלות הרגילה. אלה לא תחזיות. אלה תוצאות שכבר סופקו בסביבות ייצור.