Novo Nordisk তাদের ড্রাগ-ডিসকভারি পাইপলাইনে স্বয়ংক্রিয় “agentic AI” এজেন্ট যুক্ত করার জন্য Amazon Web Services-এর সাথে একটি অংশীদারিত্ব স্বাক্ষর করেছে, যার লক্ষ্য হলো হাইপোথিসিস বা অনুকল্প থেকে ক্যান্ডিডেট মলিকিউল বা সম্ভাব্য অণু তৈরির সময় কমিয়ে আনা। এই পদক্ষেপটি কেবল প্যাটার্ন বা ধরন শনাক্তকারী প্রেডিক্টিভ মডেল থেকে এমন AI সিস্টেমের দিকে একটি পরিবর্তন নির্দেশ করে, যা মানুষের হস্তক্ষেপ ছাড়াই বহু-ধাপের পরীক্ষা সম্পন্ন করতে পারে।

প্রেডিকশন থেকে প্রয়োগ

ফার্মাসিউটিক্যাল গবেষণা দীর্ঘকাল ধরে জিনোমিক ডেটা বিশ্লেষণ করতে, সম্ভাব্য টার্গেট শনাক্ত করতে এবং যৌগগুলো কীভাবে প্রোটিনের সাথে যুক্ত হতে পারে তার মডেল তৈরি করতে মেশিন-লার্নিং টুলের ওপর নির্ভর করে আসছে। সেই টুলগুলো কেবল ইনসাইট বা অন্তর্দৃষ্টি প্রদানের পর্যায়ে গিয়ে থেমে যায়; বিজ্ঞানীদের এরপরও পরবর্তী পরীক্ষা ডিজাইন করতে হয়, সিমুলেশন চালাতে হয় এবং ফলাফল ব্যাখ্যা করতে হয়। এর বিপরীতে, Agentic AI তৈরি করা হয়েছে কাজ করার জন্য। একটি AI এজেন্ট একটি উচ্চ-স্তরের লক্ষ্য পেতে পারে—যেমন, “প্রোটিন X-এর জন্য একটি স্মল-মলিকিউল ইনহিবিটর শনাক্ত করুন”—এবং তারপর ডেটা রিট্রিভাল, মলিকিউলার-ডিজাইন অ্যালগরিদম, সিমুলেশন রান এবং এমনকি ল্যাবরেটরি প্রোটোকলও সাজেস্ট করতে পারে, যা সবই একটি একক ওয়ার্কফ্লোর মধ্যে সম্পন্ন হয়।

বাস্তবে, Novo Nordisk এই এজেন্টগুলোকে তিনটি মূল কাজের জন্য ব্যবহার করবে:

  • Target identification (টার্গেট শনাক্তকরণ) – রোগ-সম্পর্কিত জিন বা প্রোটিন শনাক্ত করতে ওমিক্স (omics) ডেটাসেট স্ক্যান করা এবং সেগুলোকে ড্রাগেবিলিটি (ওষুধ প্রয়োগযোগ্যতা) অনুযায়ী র‍্যাঙ্কিং করা।
  • Therapy design (থেরাপি ডিজাইন) – সম্ভাব্য আণবিক কাঠামো তৈরি করা, ডকিং এবং ডাইনামিক্স সিমুলেশন চালানো এবং পূর্বনির্ধারিত কার্যকারিতা ও নিরাপত্তা প্রোফাইলের ভিত্তিতে ক্রমাগত রসায়ন বা কেমিস্ট্রি উন্নত করা।
  • Protocol automation (প্রোটোকল অটোমেশন) – পরীক্ষামূলক পরিকল্পনা তৈরি করা, রিএজেন্ট অর্ডার করা এবং ক্রমাগত শেখার জন্য ফলাফলগুলোকে পুনরায় AI লুপে প্রদান করা।

প্রতিটি ধাপের মধ্যে ম্যানুয়াল হ্যান্ড-অফ বা মানুষের হস্তক্ষেপ সরিয়ে দিয়ে, কোম্পানিটি আশা করছে যে প্রথাগতভাবে কয়েক বছরব্যাপী চলা একটি প্রক্রিয়াকে কয়েক মাসে নামিয়ে আনা সম্ভব হবে।

AI ইঞ্জিন এবং ক্লাউড ব্যাকবোন হিসেবে AWS

এই চুক্তিতে AWS-কে Novo Nordisk-এর পছন্দের ক্লাউড প্রোভাইডার এবং কৌশলগত AI পার্টনার হিসেবে মনোনীত করা হয়েছে। AWS হাই-পারফরম্যান্স কম্পিউট ক্লাস্টার, সিকোয়েন্সিং এবং ট্রায়াল ডেটার জন্য পেটাবাইট স্কেলের স্টোরেজ এবং বৈজ্ঞানিক কাজের জন্য উপযোগী AI সার্ভিসের একটি সেট সরবরাহ করবে। এই অংশীদারিত্বটি Novo Nordisk-এর লন্ডন সাইটে একটি কো-ইনোভেশন হাব (co-innovation hub) তৈরি করবে, যেখানে ডেটা সায়েন্টিস্ট, জীববিজ্ঞানীরা এবং AWS ইঞ্জিনিয়াররা কাস্টমাইজড AI এজেন্টগুলোর প্রোটোটাইপ তৈরি এবং পরীক্ষা করবেন।

এই হাবটি একটি স্যান্ডবক্স (sandbox), কোনো প্রোডাকশন লাইন নয়। দলগুলো বিভিন্ন এজেন্ট আর্কিটেকচার নিয়ে পরীক্ষা করতে পারে, নিজস্ব বায়োলজিক্যাল ডেটাবেস ইন্টিগ্রেট করতে পারে এবং এজেন্টগুলো বিরল রোগের পাথওয়ে বা অফ-টার্গেট ইফেক্টের মতো জটিল পরিস্থিতি (edge cases) কীভাবে মোকাবিলা করে তা মূল্যায়ন করতে পারে। এই নৈকট্য ফিডব্যাক লুপকে ত্বরান্বিত করে, যা জটিল জীববিজ্ঞান এবং অত্যাধুনিক AI-এর সমন্বয় ঘটানোর জন্য অপরিহার্য।

কেন বায়োটেক সেক্টর এটি গুরুত্বের সাথে দেখছে

ওষুধ তৈরি অত্যন্ত ব্যয়বহুল এবং ধীরগতির একটি প্রক্রিয়া। একটি অণুকে ধারণা (concept) থেকে বাজারে আনতে শিল্পক্ষেত্রে গড়ে এক দশকেরও বেশি সময় এবং বিলিয়ন বিলিয়ন ডলার ব্যয় হয়। যে কোনো প্রযুক্তি যা নির্ভরযোগ্যভাবে এই সময়সীমা থেকে কয়েক সপ্তাহ বা মাস কমিয়ে আনতে পারে, তা সরাসরি খরচ কমায়, রোগীদের কাছে ওষুধের প্রাপ্যতা দ্রুত করে এবং একটি প্রতিষ্ঠানের প্রতিযোগিতামূলক অবস্থান উন্নত করে।

Agentic AI এই সেক্টরকে একটি ক্লাউড-ফার্স্ট অপারেটিং মডেলের দিকে ঠেলে দিচ্ছে। যে কোম্পানিগুলো চাহিদানুসারে বিশাল কম্পিউট ক্লাস্টার চালু করতে পারে, সমান্তরাল সিমুলেশন চালাতে পারে এবং একটি শেয়ার্ড রিপোজিটরিতে একটি অণুর ডিজাইনের প্রতিটি সংস্করণ সংরক্ষণ করতে পারে, তারা কৌশলগত সুবিধা লাভ করে। AWS-এর সাথে Novo Nordisk-এর এই সমন্বয় ইঙ্গিত দিচ্ছে যে, ফার্মাসিউটিক্যাল উদ্ভাবনের পরবর্তী ঢেউ স্কেলেবল ক্লাউড ইনফ্রাস্ট্রাকচার থেকে অবিচ্ছেদ্য হবে।

ঝুঁকি এবং সংশয়

স্বয়ংক্রিয় এজেন্টের প্রতিশ্রুতি মানুষের দক্ষতার প্রয়োজনীয়তা দূর করে না। ভ্যালিডেশন বা যাচাইকরণ এখনও একটি বড় বাধা; একটি AI-প্রস্তাবিত যৌগকে অবশ্যই সিন্থেসাইজ করতে হবে, ইন ভিট্রো (in vitro) পরীক্ষা করতে হবে এবং বিষক্রিয়ার (toxicity) জন্য মূল্যায়ন করতে হবে। সমালোচকরা উল্লেখ করেছেন যে, AI সিস্টেমগুলো ট্রেনিং ডেটা থেকে পক্ষপাতিত্ব (bias) গ্রহণ করতে পারে, যা সম্ভাব্যভাবে এমন নতুন মেকানিজমগুলোকে উপেক্ষা করতে পারে যা ঐতিহাসিক প্যাটার্নের বাইরে। AI-জেনারেটেড ড্রাগ ক্যান্ডিডেটগুলোর জন্য নিয়ন্ত্রক সংস্থাগুলো এখনও স্পষ্ট নির্দেশিকা তৈরি করেনি, যা একটি AI-চালিত ট্রায়ালে নিরাপত্তা সমস্যা দেখা দিলে জবাবদিহিতা নিয়ে প্রশ্ন তোলে।

ইন্টিগ্রেশন বা সমন্বয় আরেকটি বাধা। বিদ্যমান ল্যাবরেটরি ইনফরমেশন ম্যানেজমেন্ট সিস্টেম (LIMS) এবং ইলেকট্রনিক ল্যাব নোটবুকগুলো মানুষ-কেন্দ্রিক ওয়ার্কফ্লোর ওপর ভিত্তি করে তৈরি। সেই ইকোসিস্টেমে একটি স্বয়ংক্রিয় এজেন্ট যুক্ত করতে উল্লেখযোগ্য রি-ইঞ্জিনিয়ারিংয়ের প্রয়োজন হতে পারে এবং এই ধরনের ইন্টিগ্রেশনের খরচ জনসমক্ষে প্রকাশ করা হয়নি।

পরবর্তীতে যা লক্ষ্য রাখতে হবে

  • পারফরম্যান্স বেঞ্চমার্ক – লন্ডন হাব থেকে প্রাপ্ত প্রাথমিক গবেষণাগুলো প্রকাশ করবে যে এজেন্টরা কত দ্রুত টার্গেট সিলেকশন থেকে একটি রাসায়নিকভাবে কার্যকর লিডে পৌঁছাতে পারে এবং প্রথাগত পাইপলাইনের তুলনায় এটি কতটা কার্যকর।
  • নিয়ন্ত্রক সংস্থার প্রতিক্রিয়া – AI-জেনারেটেড ক্যান্ডিডেটগুলো যখন ক্লিনিক্যাল ট্রায়ালে প্রবেশ করবে, তখন নিয়ন্ত্রক সংস্থাগুলোকে সিদ্ধান্ত নিতে হবে কীভাবে অন্তর্নিহিত AI প্রক্রিয়াগুলো মূল্যায়ন করা যায়। যেকোনো নির্দেশিকা পুরো শিল্পের জন্য নজির স্থাপন করতে পারে।
  • প্রতিযোগিতামূলক প্রভাব – অন্যান্য বড় ফার্মা কোম্পানিগুলো অনুরূপ AI-ফার্স্ট কৌশল অন্বেষণের ইঙ্গিত দিয়েছে। যদি Novo Nordisk পরিমাপযোগ্য গতি বা খরচ সাশ্রয়ের প্রমাণ দিতে পারে, তবে আমরা বায়োটেক এবং প্রধান ক্লাউড প্রোভাইডারদের মধ্যে অসংখ্য অংশীদারিত্বের প্রত্যাশা করতে পারি।
  • প্রতিভার প্রবাহ – এই সহযোগিতা জীববিজ্ঞান কেন্দ্রিক AI গবেষকদের আকৃষ্ট করতে পারে, যা নিয়োগের ধরন বদলে দিতে পারে এবং সম্ভবত একাডেমিক প্রোগ্রামগুলোকে “লাইফ সায়েন্সের জন্য এজেন্টিক AI”-এর ওপর গুরুত্ব দিতে উদ্বুদ্ধ করতে পারে।

সারকথা

AWS-এর সাথে Novo Nordisk-এর এই জোট ড্রাগ ডিসকভারি সংক্রান্ত আলোচনাকে “AI আমাদের কী বলতে পারে?” থেকে “AI আমাদের জন্য কী করতে পারে?”—এ পর্যায়ে নিয়ে এসেছে। কাজগুলো স্বায়ত্তশাসিত এজেন্টদের ওপর ছেড়ে দেওয়ার মাধ্যমে, এই অংশীদারিত্বের লক্ষ্য হলো ঐতিহাসিকভাবে দীর্ঘ ও ব্যয়বহুল প্রক্রিয়াটিকে একটি সংক্ষিপ্ত এবং আরও পুনরাবৃত্তিমূলক চক্রে রূপান্তরিত করা। এর সাফল্য নতুন থেরাপি কত দ্রুত রোগীদের কাছে পৌঁছাবে তা পুনর্সংজ্ঞায়িত করতে পারে, তবে এটি শক্তিশালী যাচাইকরণ, নিয়ন্ত্রক স্পষ্টতা এবং বিদ্যমান ল্যাব ওয়ার্কফ্লোতে AI এজেন্টগুলোকে যুক্ত করার ক্ষমতার ওপর নির্ভর করছে। শিল্পখাত লন্ডন হাবের প্রথম ফলাফলগুলোর দিকে নিবিড়ভাবে নজর রাখবে; এগুলো পরবর্তী প্রজন্মের AI-চালিত চিকিৎসার মানদণ্ড হয়ে উঠতে পারে।