DeepMind تسعى إلى إعادة التفكير في اكتشاف الأدوية والقضاء على الأمراض

في مؤتمر Google I/O 2026، أعلن رئيس DeepMind التنفيذي Demis Hassabis، بوجه جادّ تماماً، أن الشركة تأمل في "إعادة التفكير في عملية اكتشاف الأدوية بهدف حل جميع الأمراض يوماً ما". هدف طموح، ويبدو غير واقعي بصراحة. لكن قبل أن نستبعده، لنتبيّن ما يقف وراءه، ولماذا يأخذ صحفيو Verge على Google كلامها بالفعل.

ماذا عُرض في I/O

قدّمت Google DeepMind حزمة كاملة من الأدوات لتسريع الأبحاث البيولوجية. وأبرزها ثلاث: Gemini for Science (نسخة متخصصة من نموذج LLM الرائد للمهام العلمية)، وAlphaFold 3 (نظام التنبؤ ببنية البروتينات)، وAlphaGenome الجديد كلياً.

يستطيع AlphaFold 3 التنبؤ بدقة عالية بالبنية ثلاثية الأبعاد للبروتينات وبتفاعلاتها مع الجزيئات الأخرى. وهذا أمر حاسم، لأن شكل البروتين كثيراً ما يحدد ما إذا كان الدواء فعّالاً. أما AlphaGenome فيوسّع هذا النهج: إذ بات النظام قادراً على العمل مع البيانات الجينومية والتنبؤ بالعوامل الجينية للأمراض.

ويدمج Gemini for Science النظامين في منصة واحدة. وهو نموذج LLM "يفهم" سياق الأبحاث البيولوجية، ويمكنه قراءة الأوراق العلمية وتقديم توصيات مباشرة داخل الواجهة المألوفة للعلماء.

كيف يعمل ذلك عملياً

مثال تقريبي على السيناريو: يرسل باحث إلى Gemini for Science سؤالاً من قبيل "تطوير مركّب مضاد للفيروسات لفيروس X". يحلل النظام الحقائق المعروفة عن الفيروس، ويقترح بنى جزيئية مرشحة، ثم يستخدم AlphaFold 3 للتنبؤ بتفاعل هذه الجزيئات مع بروتينات الفيروس، ويقدّر الآثار الجانبية المحتملة.

على الورق يبدو هذا قفزة في الإنتاجية. فقد كان البحث من هذا النوع يستغرق أشهراً، وقد يصبح الآن ساعات أو أياماً. لكن هناك تفصيلاً مهماً: تتحدث Google عن "تسريع" دون أن تحدد آجالاً بعينها. فبكم في المئة أسرع؟ وبفضل ماذا؟ يبقى ذلك خارج الصورة.

لماذا المتشككون أكثر من المؤمنين

فيما يلي أسباب تجعل عبارة "حل جميع الأمراض" ادعاءً جريئاً للغاية، على أقل تقدير:

• الطريق من الجزيء إلى الدواء ليس مهمة واحدة. حتى لو تنبأ الذكاء الاصطناعي بالجزيء على نحو مثالي، فلا بد من تصنيعه في المختبر، واختباره على مزارع الخلايا، ثم على الحيوانات، ثم على البشر (التجارب السريرية 3 مراحل، من 5 إلى 10 سنوات)، وبعد ذلك فقط الحصول على موافقة الجهة التنظيمية.
• "جميع الأمراض" ليست 100 مرض، بل أكثر من 10 000. بعضها ذو طبيعة جينية (ضمن نطاق الذكاء الاصطناعي)، لكن غيرها معدٍ أو مناعي ذاتي أو نفسي أو بيئي. ولن يفيد الذكاء الاصطناعي في البيولوجيا الجزيئية كثيراً في هذه الحالات.
• تاريخ الذكاء الاصطناعي حافل بالوعود التي لم تتحقق. وعد Deep Blue بثورة في التحليل، ووعد IBM Watson بثورة في الطب. والواقع عادةً أعقد من الشرائح التسويقية.
• الجهات التنظيمية تُبطئ العملية عمداً. تشترط FDA إثباتات السلامة، وليس ذلك من قبيل التعنت، بل لحماية المرضى. واقتراح الذكاء الاصطناعي ليس سوى الخطوة الأولى في طريق طويل جداً.

«المسافة من الوعود الكبيرة إلى النتائج في العيادة الفعلية هائلة»، يكتب محررو

Verge، وهم ليسوا وحدهم في هذا الرأي.

ماذا يعني ذلك فعلاً

أدوات Google DeepMind مفيدة بالفعل، ويمكن أن تسرّع مراحل بعينها من تطوير الأدوية، خصوصاً في مرحلة البحث عن المرشحات. لكن "حل جميع الأمراض" ليس مهمة تقنية. إنه سؤال عن مدى تعقيد البيولوجيا، وصرامة متطلبات الجهات التنظيمية، وحجم الأموال التي ينبغي استثمارها في كل اتجاه.

سيكون الذكاء الاصطناعي مساعداً جيداً للعلماء، لكنه لن يكون ساحراً. وعود Hassabis على الأرجح مجرد خطاب لمؤتمر Google I/O، خطاب مفيد، لكن الأجدر بنا أن نبقى واقعيين.