QIAGEN برای عامل‌های کشف دارو به دانشِ گزینش‌شده تکیه می‌کند

شرکت QIAGEN می‌گوید عامل‌های هوش مصنوعی در کشف دارو، در کنار مدل‌های توانمند، به یک پایه دانشی قابل‌اعتماد و قابل‌ردیابی نیاز دارند؛ موضعی که این شرکت در گفت‌وگویی در نشست GraphSummit در ۲۸ سپتامبر ۲۰۲۶ تشریح کرد. از نگاه QIAGEN، تکیه بر داده‌هایی که منشأ و زمینه‌شان روشن است و متخصصان انسانی آن‌ها را بررسی کرده‌اند، می‌تواند به زیست‌دارویی‌ها کمک کند خروجی عامل‌ها را دقیق‌تر ارزیابی کنند و پاسخ‌های ساختگی را از نتایج قابل‌استفاده جدا نگه دارند.

دانش معتبر در کنار مدل‌های هوش مصنوعی

ایمان بهاتچاریا، مدیر ارشد بازاریابی محصول جهانی در QIAGEN، در گفت‌وگو با جان فوریِر از theCUBE گفت تمرکز شرکت صرفاً بر لایه مدل‌های هوش مصنوعی نیست و کیفیت محتوایی که مدل‌ها به آن دسترسی دارند نیز اهمیت دارد. به گفته او، هوش مصنوعی می‌تواند توانایی افراد و سازمان‌ها را افزایش دهد، اما باید بر دانشی متکی باشد که با نظارت و گزینش انسانی شکل گرفته است.

این رویکرد به مسئله‌ای عملی در استفاده از عامل‌های هوش مصنوعی اشاره دارد: یک مدل ممکن است پاسخی روان تولید کند، بی‌آن‌که آن پاسخ بر شواهد درست استوار باشد. در چنین وضعی، کاربر ممکن است نتواند بفهمد خروجی از کدام داده‌ها آمده یا چه زمینه‌ای پشت آن قرار دارد. QIAGEN بر این باور است که فراهم کردن اطلاعات با منشأ روشن و پیوندهای معنایی مناسب، می‌تواند به عامل‌ها کمک کند پاسخ‌هایی مرتبط‌تر و قابل‌پیگیری‌تر ارائه دهند.

بهاتچاریا هشدار داد که عامل‌ها ممکن است به‌جای اعلام ناتوانی، نتیجه‌هایی بسازند که ظاهری معتبر دارند اما پشتوانه واقعی ندارند. او این نوع پاسخ‌ها را از چالش‌های جدی کار با عامل‌های هوش مصنوعی دانست و گفت آنچه در نهایت اهمیت دارد، تولید خروجی‌ای است که هم مفید باشد و هم بتوان مسیر رسیدن به آن را بررسی کرد.

گراف دانش چه نقشی دارد؟

QIAGEN گراف‌های دانش را یکی از راه‌های فراهم کردن زمینه برای عامل‌های هوش مصنوعی می‌داند. گراف دانش، اطلاعات و رابطه میان آن‌ها را به‌صورت ساختاریافته نمایش می‌دهد؛ برای نمونه، می‌تواند ارتباط مفاهیم زیست‌پزشکی مختلف را در یک مجموعه دانش مشخص کند. چنین ساختاری، به‌جای ارائه داده‌های پراکنده، به سامانه امکان می‌دهد اطلاعات را در ارتباط با یکدیگر بازیابی کند.

با این حال، در رویکردی که بهاتچاریا توضیح داد، ساختار فنی به‌تنهایی کافی نیست. کیفیت محتوای داخل گراف و گزینش آن نیز اهمیت دارد. اگر داده‌ها زمینه لازم را نداشته باشند یا معلوم نباشد از کجا آمده‌اند، صرفِ اتصال آن‌ها در یک گراف نمی‌تواند اعتبار پاسخ عامل را تضمین کند. به همین دلیل، QIAGEN بر پیوند میان زیرساخت فنی و بازبینی متخصصان تأکید می‌کند.

بخش بیوانفورماتیک QIAGEN، به گفته بهاتچاریا، بیش از ۲۵ سال است که داده‌های زیست‌پزشکی را به‌صورت دستی گردآوری و بررسی می‌کند. این کار با مشارکت بیش از ۱۵۰ متخصص دارای مدرک پزشکی یا دکتری انجام شده است. شرکت می‌گوید همین دانش گزینش‌شده اکنون پایه Qiagen Discovery Platform را تشکیل می‌دهد؛ پلتفرمی که برای پشتیبانی از کاربردهای کشف دارو طراحی شده است.

پلتفرم QIAGEN و همکاری با NVIDIA

طبق توضیحات بهاتچاریا، Qiagen Discovery Platform دانش گردآوری‌شده را با ابزارهای دسترسی و استفاده از عامل‌های هوش مصنوعی ترکیب می‌کند. این پلتفرم از Model Context Protocol یا MCP پشتیبانی می‌کند. MCP روشی برای فراهم کردن دسترسی عامل‌ها به ابزارها و منابع اطلاعاتی است؛ در این مورد، هدف آن اتصال عامل‌ها به دانش موجود در پلتفرم است. QIAGEN همچنین ابزار عامل‌محور Discovery Explorer را روی این پایه ارائه می‌کند.

بهاتچاریا این مجموعه را نه صرفاً یک مخزن داده یا یک پایگاه دانش، بلکه سیستمی کامل توصیف کرد. به گفته او، هدف شرکت این نیست که این سامانه به‌صورت جزیره‌ای و جدا از محیط کاری مشتریان استفاده شود؛ بلکه می‌خواهد آن را بخشی از اکوسیستم گسترده‌تر زیست‌دارویی قرار دهد. او جزئیات بیشتری درباره چگونگی یکپارچه‌سازی یا قابلیت‌های مشخص این اکوسیستم ارائه نکرد.

QIAGEN در ماه مه نیز با NVIDIA برای پیشبرد هوش مصنوعی مبتنی بر گراف در کشف دارو همکاری کرد. این همکاری در متن گزارش به‌عنوان بخشی از تلاش شرکت برای ترکیب گراف‌های دانش و هوش مصنوعی مطرح شده است، اما جزئیات فنی یا برنامه زمانی مشخصی برای نتیجه‌های آن بیان نشده است.

دقت و قابلیت پیگیری؛ معیار ارزش عامل‌ها

در صنعت داروسازی، ارزش یک ابزار هوش مصنوعی فقط به توانایی آن برای تولید سریع پاسخ وابسته نیست. به گفته بهاتچاریا، مشتریان زیست‌دارویی بازده سرمایه‌گذاری را از جمله بر اساس سرعت رسیدن به نشانه‌های درمانیِ دقیق و امکان پیشی گرفتن از رقبا می‌سنجند. در این چارچوب، پاسخ سریع اما نادرست می‌تواند نه‌تنها کمکی نکند، بلکه هدف استفاده از عامل را نیز تضعیف کند.

عامل‌های هوش مصنوعی می‌توانند برای انجام کارهایی که به جست‌وجو و ترکیب اطلاعات نیاز دارند به کار گرفته شوند، اما خروجی آن‌ها باید قابل بررسی باشد. قابلیت ردیابی یعنی کاربر بتواند درباره منشأ اطلاعات و مسیر شکل‌گیری پاسخ پرس‌وجو کند. این ویژگی در حوزه‌ای مانند کشف دارو اهمیت ویژه دارد، زیرا نتیجه‌گیری‌ها باید به داده‌ها و شواهدی متصل باشند که متخصصان بتوانند آن‌ها را ارزیابی کنند.

موضع QIAGEN بر این نکته تأکید می‌کند که عامل‌های خودکار به‌تنهایی مسئله اعتماد را حل نمی‌کنند. مدل می‌تواند از دانش موجود استفاده کند، اما اعتبار آن دانش و نحوه سازمان‌دهی‌اش همچنان به فرایندهایی مانند گردآوری، بازبینی و ثبت منشأ وابسته است. شرکت در این گفت‌وگو بر ارزش این لایه دانشی تأکید کرد، اما اطلاعاتی درباره سنجش مستقل دقت یا عملکرد پلتفرم ارائه نشد.

گفت‌وگوی بهاتچاریا با theCUBE در حاشیه GraphSummit انجام شد. SiliconANGLE اعلام کرده است که theCUBE شریک رسانه‌ای پولی این رویداد بوده و حامیان برنامه، از جمله Neo4j، بر محتوای تحریریه‌ای آن کنترل نداشته‌اند. این توضیح درباره رابطه رسانه‌ای، زمینه انتشار مصاحبه را روشن می‌کند و از ادعاهای QIAGEN درباره محصول جداست.

این خبر برای چه کسانی اهمیت دارد

این خبر برای شرکت‌های داروسازی و زیست‌فناوری که در حال بررسی استفاده از عامل‌های هوش مصنوعی در پژوهش و کشف دارو هستند، اهمیت دارد؛ به‌ویژه برای تیم‌هایی که باید بتوانند اعتبار پاسخ‌ها را بسنجند و منشأ داده‌های مورد استفاده را دنبال کنند. همچنین برای پژوهشگران و مدیران فناوری، رویکرد QIAGEN نمونه‌ای از تأکید صنعت بر ترکیب مدل‌های هوش مصنوعی با دانش ساختاریافته و بازبینی انسانی است.

با این حال، اطلاعات منتشرشده عمدتاً شرح دیدگاه و معماری کلی QIAGEN است و به‌تنهایی اثباتی درباره میزان بهبود دقت یا سرعت کشف دارو به شمار نمی‌رود. برای ارزیابی عملی این رویکرد، شرکت‌ها و پژوهشگران به شواهدی درباره عملکرد پلتفرم در کاربردهای مشخص نیاز خواهند داشت؛ موضوعی که در این گفت‌وگو جزئیات آن مطرح نشده است.