প্রথাগত ফার্মাসিউটিক্যাল R&D পাইপলাইন তার দশকব্যাপী সময়সীমা এবং আকাশচুম্বী খরচের জন্য কুখ্যাত, তবে প্রাচ্যে একটি আমূল পরিবর্তন ঘটছে। জেনারেটিভ AI-কে স্বয়ংক্রিয় ল্যাবরেটরি গবেষণার সাথে সমন্বয় করার মাধ্যমে, বায়োটেক উদ্ভাবকরা কার্যকর ড্রাগ ক্যান্ডিডেট শনাক্ত করার প্রয়োজনীয় সময় বছর থেকে মাত্র কয়েক মাসে নামিয়ে আনছেন।
AI-চালিত R&D-তে রেকর্ড ভাঙছে Insilico Medicine
এই প্রযুক্তিগত রূপান্তরের অগ্রভাগে রয়েছে Insilico Medicine, একটি হংকং-তালিকাভুক্ত বায়োটেকনোলজি সংস্থা যা ড্রাগ ডেভেলপমেন্টের গতিকে নতুনভাবে সংজ্ঞায়িত করছে। সিইও Alex Zhavoronkov-এর মতে, কোম্পানিটি ড্রাগ ডেভেলপমেন্ট ক্যান্ডিডেটের উৎপাদন সময়সীমা কমিয়ে প্রায় এক বছরে নামিয়ে আনতে সফলভাবে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করেছে।
এই দক্ষতার উন্নতি কেবল তাত্ত্বিক নয়; এটি বাস্তব জগতের বেঞ্চমার্কে প্রতিফলিত হচ্ছে। যদিও কোম্পানির সাধারণ ডেভেলপমেন্ট সাইকেল প্রায় ১৩ মাস, Insilico Medicine-এর দ্রুততম প্রোগ্রামটি মাত্র নয় মাসে ক্যান্ডিডেট নমিনেশন অর্জন করেছে। অত্যাধুনিক AI মডেলের সাথে কঠোর ল্যাবরেটরি ভ্যালিডেশনের সমন্বয়ে এই উল্লম্ফন সম্ভব হয়েছে, যা একটি ফিডব্যাক লুপ তৈরি করে এবং ডিজিটাল হাইপোথিসিস থেকে ফিজিক্যাল মলিকিউলে রূপান্তরকে ত্বরান্বিত করে।
জেনারেটিভ AI এবং ল্যাবরেটরি গবেষণার সমন্বয়
এই যুগান্তকারী সাফল্যের মূলে রয়েছে কম্পিউটেশনাল ক্ষমতা এবং জৈবিক পরীক্ষার মেলবন্ধন। প্রথাগত পদ্ধতিগুলো যেখানে বিশাল ফিজিক্যাল লাইব্রেরির হাই-থ্রুপুট স্ক্রিনিংয়ের ওপর নির্ভর করে, সেখানে AI-চালিত পদ্ধতিটি নির্দিষ্ট জৈবিক বৈশিষ্ট্যসম্পন্ন নতুন মলিকিউল ডিজাইন করতে জেনারেটিভ মডেল ব্যবহার করে।
ল্যাবে সংশ্লেষিত হওয়ার আগেই মলিকিউলগুলো টার্গেট প্রোটিনের সাথে কীভাবে মিথস্ক্রিয়া করবে তা ভবিষ্যদ্বাণী করার মাধ্যমে গবেষকরা হাজার হাজার ব্যর্থ পরীক্ষা এড়িয়ে যেতে পারেন। যখন এই AI ভবিষ্যদ্বাণীগুলোকে স্বয়ংক্রিয় ল্যাবরেটরি ওয়ার্কফ্লো—যাকে প্রায়শই "ক্লোজড-লুপ" সিস্টেম বলা হয়—এর সাথে সমন্বিত করা হয়, তখন একটি ক্যান্ডিডেট যাচাই করার প্রক্রিয়া অভূতপূর্ব গতিতে এগিয়ে যায়। এই সমন্বয় বিজ্ঞানীদের সবচেয়ে সম্ভাবনাময় লিডগুলোর ওপর তাদের ম্যানুয়াল প্রচেষ্টা কেন্দ্রীভূত করতে সাহায্য করে, যা ক্লাসিক্যাল ড্রাগ ডিসকভারির বৈশিষ্ট্যসূচক "ট্রায়াল অ্যান্ড এরর" পর্যায়কে উল্লেখযোগ্যভাবে হ্রাস করে।
বৈশ্বিক AI এবং বায়োটেক ল্যান্ডস্কেপের ওপর প্রভাব
চীনে দেখা এই সাফল্য বিশ্বব্যাপী বায়োটেকনোলজি খাতের জন্য একটি শক্তিশালী 'প্রুফ অফ কনসেপ্ট' হিসেবে কাজ করে। AI মডেলগুলো যখন বিশাল রাসায়নিক স্পেস (chemical space) অন্বেষণে আরও দক্ষ হয়ে উঠছে, তখন ড্রাগ ডিসকভারির "ডেথ ভ্যালি" (death valley)—যে পর্যায়ে বিষক্রিয়া বা কার্যকারিতার অভাবে বেশিরভাগ ক্যান্ডিডেট ব্যর্থ হয়—তা সংকুচিত হতে শুরু করেছে।
ডিপ টেক (deep tech) জগতের ডেভেলপার এবং প্রতিষ্ঠাতাদের জন্য এই উন্নয়ন একটি গুরুত্বপূর্ণ প্রবণতাকে নির্দেশ করে: সবচেয়ে মূল্যবান AI অ্যাপ্লিকেশনগুলো টেক্সট এবং ইমেজ জেনারেশনের বাইরে "ফিজিক্যাল AI" ডোমেইনে প্রবেশ করছে। জৈবিক ডেটা পরিচালনা এবং ভৌত ফলাফল ভবিষ্যদ্বাণী করার ক্ষমতা বিশাল অর্থনৈতিক প্রভাব ফেলে, যা সম্ভাব্যভাবে বিরল রোগের চিকিৎসার বাধা কমিয়ে দিতে পারে এবং বিশ্বব্যাপী স্বাস্থ্যসেবার সামগ্রিক খরচ হ্রাস করতে পারে।
মূল বিষয়সমূহ
- দ্রুত সময়ের হ্রাস: Insilico Medicine দেখিয়েছে যে AI ড্রাগ ক্যান্ডিডেট নমিনেশনের সময়সীমা মাত্র নয় মাসে নামিয়ে আনতে পারে।
- হাইব্রিড পদ্ধতি: এই সাফল্য জেনারেটিভ AI ডিজাইন এবং স্বয়ংক্রিয় ল্যাবরেটরি ভ্যালিডেশনের সমন্বয়ে চালিত হচ্ছে, যা প্রথাগত ট্রায়াল-অ্যান্ড-এরর পদ্ধতি থেকে সরে আসছে।
- R&D অর্থনীতির পরিবর্তন: আবিষ্কারের পর্যায়ে বছর থেকে মাসে রূপান্তর বায়োটেকনোলজি কোম্পানিগুলো কীভাবে তাদের মূলধন এবং গবেষণার গতি পরিচালনা করে তার ক্ষেত্রে একটি মৌলিক পরিবর্তন নির্দেশ করে।
কেন এই গতি গুরুত্বপূর্ণ
ড্রাগ ডিসকভারি দীর্ঘকাল ধরে একটি ম্যারাথন হিসেবে পরিচিত। কোম্পানিগুলো লক্ষ লক্ষ যৌগের মধ্য দিয়ে যাওয়ার জন্য বছরের পর বছর সময় ব্যয় করে, এবং প্রায়শই একটি মাত্র মলিকিউল ক্লিনিকাল টেস্টিংয়ে পৌঁছানোর আগেই ব্যর্থ হয়। একটি মলিকিউলকে ধারণা (concept) থেকে বাজারে আনার খরচ নিয়মিতভাবে বিলিয়ন ডলারে পৌঁছে যায় এবং ড্রাগ ডিসকভারির প্রাথমিক পর্যায়ে ব্যর্থতার হার (attrition rate) অত্যন্ত বেশি থাকে। চীনে, যেখানে বায়োটেক খাত দ্রুত প্রসারিত হচ্ছে, একটি দ্রুততর পাইপলাইন দেশীয় সংস্থাগুলোকে প্রতিষ্ঠিত বৈশ্বিক খেলোয়াড়দের তুলনায় প্রতিযোগিতামূলক সুবিধা দিতে পারে এবং উদ্ভাবনী থেরাপিউটিকসের ক্ষেত্রে দেশটিকে নেতা হিসেবে প্রতিষ্ঠিত করার উচ্চাকাঙ্ক্ষাকে ত্বরান্বিত করতে পারে।
কীভাবে Insilico ৯ মাসের লক্ষ্যমাত্রা অর্জন করল
হংকং তালিকাভুক্ত Insilico Medicine এই রেকর্ড সময়ের জন্য জেনারেটিভ আর্টিফিশিয়াল ইন্টেলিজেন্স (generative artificial intelligence) এবং স্বয়ংক্রিয় ল্যাবরেটরি ওয়ার্কফ্লোর সমন্বয়কে দায়ী করেছে। জেনারেটিভ AI বলতে এমন মডেলকে বোঝায় যা বিদ্যমান অণুর মূল্যায়ন করার পরিবর্তে নতুন আণবিক কাঠামো তৈরি করে। প্রোটিন টার্গেট এবং কাঙ্ক্ষিত ফার্মাকোলজিক্যাল বৈশিষ্ট্যের ডেটা অ্যালগরিদমে ইনপুট দেওয়ার মাধ্যমে, সিস্টেমটি এমন নতুন যৌগ প্রস্তাব করে যা কার্যকরভাবে আবদ্ধ হওয়ার পূর্বাভাস দেয়।
কোম্পানির সিইও, Alex Zhavoronkov বলেন, এই প্ল্যাটফর্মটি সাধারণত একটি প্রজেক্টকে টার্গেট আইডেন্টিফিকেশন থেকে ক্যান্ডিডেট নমিনেশন পর্যন্ত নিয়ে যেতে প্রায় ১৩ মাস সময় নেয়। এর দ্রুততম ক্ষেত্রে, এই চক্রটি মাত্র নয় মাসে সম্পন্ন হয়েছে। এই সময় হ্রাসের কারণ হলো প্রথাগত হাই-থ্রুপুট স্ক্রিনিং (high-throughput screening) যে বিশাল ফিজিক্যাল লাইব্রেরির ওপর নির্ভর করে, তা এড়িয়ে চলা; পরিবর্তে, AI কম্পিউটারে অণু ডিজাইন করে, অযোগ্য ক্যান্ডিডেটগুলোকে ছেঁটে ফেলে এবং শুধুমাত্র সবচেয়ে সম্ভাবনাময় কাঠামোগুলো ল্যাবে পাঠায়।
AI-ল্যাব ফিডব্যাক লুপ
একবার একটি অণু সংশ্লেষিত (synthesized) হলে, স্বয়ংক্রিয় যন্ত্রপাতির মাধ্যমে এর কার্যকারিতা, বিষাক্ততা এবং অন্যান্য গুরুত্বপূর্ণ মেট্রিক্স পরীক্ষা করা হয়। এই ফলাফলগুলো AI-তে পুনরায় ইনপুট হিসেবে দেওয়া হয়, যা পরবর্তী রাউন্ডের জন্য এর পূর্বাভাসগুলোকে আরও নিখুঁত করে। এই “ক্লোজড-লুপ” সিস্টেমের অর্থ হলো মানব বিজ্ঞানীদের ট্রায়াল-অ্যান্ড-এরর বা পরীক্ষা-নিরীক্ষায় কম সময় ব্যয় করতে হয় এবং অ্যালগরিদম ইতিমধ্যে যে ডেটাগুলো সীমিত করে এনেছে তা বিশ্লেষণ করতে বেশি সময় পাওয়া যায়।
একটি যৌগ তৈরির আগেই সেটি কেমন আচরণ করবে তা পূর্বাভাস দেওয়ার মাধ্যমে, এই পদ্ধতিটি হাজার হাজার ব্যর্থ পরীক্ষা এড়িয়ে যেতে পারে। অ্যাসে (assays) বা পরীক্ষার স্বয়ংক্রিয়করণ ভ্যালিডেশন পর্যায়কে আরও সংক্ষিপ্ত করে তোলে, যার ফলে একটি একক ক্যান্ডিডেট প্রথাগত সময়ের তুলনায় অনেক দ্রুত কম্পিউটার থেকে ল্যাব বেঞ্চ এবং তারপর নমিনেশনের পর্যায়ে পৌঁছাতে পারে।
কারা লাভবান হবে এবং কারা পিছিয়ে পড়তে পারে
বিপরীতে, যেসব প্রতিষ্ঠান প্রথাগত স্ক্রিনিং পদ্ধতিতে আঁকড়ে থাকে, তারা অন্যদের তুলনায় পিছিয়ে পড়তে পারে।
সতর্কতা এবং আগামীর পথ
AI-চালিত দ্রুত আবিষ্কারের প্রতিশ্রুতি কঠোর ভ্যালিডেশনের প্রয়োজনীয়তাকে মুছে ফেলে না। প্রেডিক্টিভ মডেলগুলো শুধুমাত্র তাদের প্রশিক্ষিত ডেটার মানের ওপর নির্ভর করে, এবং ট্রেনিং সেটের পক্ষপাতিত্ব (biases) নিরাপত্তার সংকেতগুলো মিস করতে পারে। তদুপরি, নয় মাসের এই পরিসংখ্যানটি চিত্তাকর্ষক হলেও এটি একটি মাত্র প্রোগ্রামের প্রতিনিধিত্ব করে; একাধিক টার্গেটে এই পদ্ধতিটি প্রয়োগ করলে এমন কিছু প্রতিবন্ধকতা (bottlenecks) সামনে আসতে পারে যা এখনও দৃশ্যমান নয়।
পরবর্তীতে যা লক্ষ্য রাখতে হবে
নয় মাসের এই মাইলফলকটি দেখায় যে ড্রাগ ডিসকভারি বা ওষুধ আবিষ্কারের রসায়ন আর কেবল ল্যাবরেটরি বেঞ্চের মধ্যেই সীমাবদ্ধ নেই। যখন অ্যালগরিদম একটি কার্যকর অণুর নকশা করতে পারে এবং মেশিন কয়েক দিনের মধ্যে তা পরীক্ষা করতে পারে, তখন পুরো সময়সীমা সংকুচিত হয়ে আসে। এই সংকোচন নতুন স্বাভাবিক নিয়মে পরিণত হবে কি না, তা নির্ভর করবে কোম্পানি, বিনিয়োগকারী, নিয়ন্ত্রক এবং রোগী—এই পুরো ইকোসিস্টেমটি কত দ্রুত এমন একটি বিশ্বের সাথে খাপ খাইয়ে নিতে পারে যেখানে “ফিজিক্যাল AI” আগামী দিনের ওষুধের প্রথম খসড়া তৈরি করবে।