Andreessen Horowitz’in biyoteknoloji pratiğini on yılı aşkın süre boyunca yöneten ve yaklaşık 4 milyar dolarlık varlık yönetimine ulaşmasını sağlayan Vijay Pande, geçen yıl haziran ayında görevinden ayrılarak Zach Werner ile daha küçük yatırım şirketi VZVC’yi kurdu. Yeni yapı, yıllık sınırlı sayıda odaklanmış bahse dayanıyor; yapay zekâ ve yazılım ajanlarını kullanarak geleneksel bir yatırım ekibine duyulan ihtiyacı azaltıyor.
Ancak yatırım modelindeki değişiklik, Pande’nin vizyonunun tek odağı değil. Pande, yapay zekânın biyolojiyi, dağınık keşiflere ve şansa dayanan bir alandan, daha yüksek ölçüde tasarlanabilen ve mühendislik yaklaşımıyla şekillendirilebilen bir alana kademeli olarak taşıdığını düşünüyor. Buna ilaç hedeflerinin belirlenmesi, ilaç tasarımı ve ilaç geliştirmenin en maliyetli bölümlerinden biri olan klinik araştırma aşamalarının iyileştirilmesi de dâhil.
Keşiften tasarıma
Pande’ye göre makine öğrenimi teknolojileri, bilgisayarların geleneksel yöntemlerle analiz edilmesi zor olan biyolojik karmaşıklıkla başa çıkmasını sağladı. Son on yılda biyoloji ve kimya için yapay zekâ alanlarında paralel gelişmeler birikti: İlki hastalığı ve tedavi yöntemlerini anlamaya, ikincisi ise belirli proteinleri hedefleyen bileşikler tasarlamaya odaklanıyor.
Bu gelişmeler, ilaç geliştirmenin ucuz ya da garantili hâle geldiği anlamına gelmiyor. Pande, klinik araştırmalara ulaşmak için gereken süre ve maliyetin düşmeye başladığını, ancak bir araştırmanın yürütülmesinin hâlâ yüz milyonlarca dolar gerektirebileceğini söylüyor. Ayrıca bir ilacın birinci aşamadaki araştırmadan üçüncü aşamanın sonuna başarıyla ulaşma olasılığının yaklaşık %20 olduğunu belirtiyor; bu da her on ilaçtan sekizinin başarısız olmasının başarılı her ilaç için hesaplanan maliyeti artırdığı anlamına geliyor.
Pande, yapay verilerin kullanılmasının klinik araştırmaların maliyetini yaygın biçimde ifade edildiği ölçüde gerçekten düşürdüğünden şüphe ediyor; bunu gerçekleşmiş bir gerçeklikten ziyade bir hedef olarak nitelendiriyor. İlaçların başarısız olmasının önemli bir bölümünü, fareler gibi hayvan modellerinin insanlarda ne olacağını öngörme kapasitesinin zayıf olmasıyla da ilişkilendiriyor. Ona göre yapay zekâ modeli kusursuz olmayacak, ancak bazı durumlarda hayvan modellerinin öngörü kapasitesini aşabilir.
Hassas tıp bireye ilişkin verilere ihtiyaç duyuyor
Bu yaklaşım, ilacın keşfinin ötesine geçerek her hasta için en uygun tedavinin seçilmesine uzanıyor. Pande, tıbbi uygulamanın büyük ölçüde hastanın test sonuçlarını toplum ortalamalarıyla karşılaştırmaya dayandığını, oysa daha önemli sorunun sonucun özellikle bu kişi açısından ne kadar sıra dışı olduğu olabileceğini açıklıyor.
Genoma tek başına güvenmenin yeterli olmadığını düşünüyor; genom, bir evin inşa edilirkenki planına benziyor, ancak yıllar sonraki durumunu zorunlu olarak açıklamıyor. Bu nedenle proteomik gibi diğer ölçümler, vücudun mevcut durumunu anlamada önem kazanıyor. Otomasyon ve robotik ölçümler de yapay zekâ modelleriyle ilişkilendirilebilecek yeni veri miktarları sağlıyor.
Kapalı veri sorunu
Biyoloji, internette bulunan metinlerden temel bir noktada ayrılıyor: Şirketler biyolojik verilerini basitçe internetten toplayıp modellerini bunlarla eğitemiyor. Bunun sonucunda her şirket kendi özel veri kümesini oluşturma eğiliminde oluyor; bu da ortak modellerin eğitilmesi veya bilginin bir modelden diğerine kolayca aktarılması imkânını sınırlıyor.
Pande, çoğunlukla temel modeller biçiminde geniş biyolojik bilgi atlaslarının geliştirilmesinin bu gidişatı değiştirebileceğine inanıyor. Açık kaynaklı biyolojik modellerin, açık büyük dil modellerinin ticari modellerle rekabetinde oynadığı role benzer bir rol üstlenmesini bekliyor. Ancak bu yaklaşım, şirketlerin ve araştırmacıların ticari ve bilimsel değere sahip verileri paylaşmaya ne ölçüde hazır olduğuyla bağlantılı olmaya devam ediyor.
Pratikte ne değişiyor?
VZVC, Pande’nin belirttiği iki ana alana odaklanıyor: sağlık hizmeti sunumu için yapay zekâ ve klinik araştırmalar için yapay zekâ. Fonun yılda otuz yatırım değil, yaklaşık beş yatırım planladığını ve kendisinin ve Werner’in seçilen şirketlere doğrudan katılacağını söylüyor. Ayrıca sıcak bir finansman turunu kazanmak için kısa vadeli rekabet arayan değil, dürüstlüğe sahip ve uzun vadeli bir ilişkiyi düşünen kurucular arıyor.
Pande’nin konuşmasından çıkan en önemli sonuç, tıbbi yapay zekânın önündeki temel engelin yalnızca algoritma olmadığıdır. Modeller iyileşse bile verilerin kalitesi, kullanılabilirliği ve paylaşılabilirliği belirleyici faktörler olmaya devam ediyor. Teknolojinin laboratuvardaki başarısı da ticari başarısını garanti etmiyor; Pande, pazara ulaşmanın teknolojiyi inşa etmekten daha zor olabileceğini kabul ediyor.
Böylece konuşma iyimser ama koşullu bir tablo sunuyor: Yapay zekâ ilaç hedeflerinin seçimini ve tasarımını, ayrıca tedavinin yönlendirilmesini iyileştirebilir; ancak var olmayan biyolojik verileri yaratamaz veya klinik araştırmaların risklerini ortadan kaldıramaz. Veri paylaşımı, modellerin insanlarda doğrulanması ve bilimsel sonuçların uygulanabilir ürünlere dönüştürülmesi konusundaki açık sorular, “keşif”ten “mühendislik”e geçişin geniş ölçekte pratik bir dönüşüm hâline gelip gelmeyeceğini belirleyen faktörler olmaya devam ediyor.