GSK એ બ્રિટિશ બાયોટેક ફર્મ Relation Therapeutics સાથે $110 મિલિયન સુધીના સંશોધન સહયોગ પર હસ્તાક્ષર કર્યા છે. આ ભાગીદારી વિશાળ, હાઈ-રિઝોલ્યુશન ડેટાસેટ્સ બનાવશે જે માનવ કોષો આનુવંશિક ફેરફારો અને દવાઓના ઉપચાર પ્રત્યે કેવી પ્રતિક્રિયા આપે છે તેનો ટ્રેક રાખશે. તે ડેટા બોટલનેક (અવરોધ) પર પ્રહાર કરે છે જેણે AI-સંચાલિત ડ્રગ ડિસ્કવરીને ધીમી કરી દીધી છે અને અણુથી દવા સુધીના માર્ગમાંથી વર્ષો ઘટાડી શકે છે.

ડેટાની સમસ્યા જેણે AI ને રોકી રાખ્યું છે

છેલ્લા દાયકાના મોટાભાગના સમય દરમિયાન, ફાર્મામાં AI ને મોડેલના કદ દ્વારા માપવામાં આવ્યું છે, ઇનપુટની સુસંગતતા દ્વારા નહીં. ઇન્ટરનેટ ટેક્સ્ટ પર તાલીમ પામેલા લાર્જ લેંગ્વેજ મોડેલ્સ પેટર્ન મેચિંગમાં ઉત્કૃષ્ટ છે, પરંતુ જ્યારે કોઈ સંયોજન (compound) જીવંત કોષમાં કેવી રીતે ફેલાય છે તેની આગાહી કરવાનું કહેવામાં આવે ત્યારે તેઓ અટકી જાય છે. ખૂટતો ભાગ "વેટ લેબ" ડેટા હતો—વાસ્તવિક પ્રયોગોમાંથી માપન જે જીન ચાલુ અથવા બંધ થયા પછી અથવા દવા લાગુ કર્યા પછીના જૈવિક અસરોની શ્રેણીને કેપ્ચર કરે છે.

Relation Therapeutics આ ખામીને પૂરી કરશે. કરાર હેઠળ, તે મોટા પાયે ડેટા જનરેટ કરશે જે અત્યંત ચોકસાઈથી માપે છે કે માનવ કોષો બે ચલો (variables) પ્રત્યે કેવી પ્રતિક્રિયા આપે છે: આનુવંશિક ફેરફારો અને દવાના હસ્તક્ષેપ. AI સિસ્ટમ્સને કોષીય વર્તનના આ ઝીણવટભર્યા દૃષ્ટિકોણથી ફીડ કરીને, આ ભાગીદારીનો ઉદ્દેશ્ય મોડેલ્સને કાચા બાઈન્ડિંગ અનુમાનોથી લઈને સમગ્ર પાથવેઝના સિમ્યુલેશન સુધી લઈ જવાનો છે.

બ્લેક-બોક્સ અનુમાનોથી કોષીય ચોકસાઈ સુધી

પરંપરાગત AI પાઇપલાઇન્સ ઘણીવાર એક જ આંકડો આપે છે: અણુ લક્ષ્ય પ્રોટીન સાથે જોડાઈ જવાની શક્યતા. સંશોધકો પછી તે જોડાણ ઉપચારાત્મક અસરમાં રૂપાંતરિત થાય છે કે નહીં તે ચકાસવા માટે મહિનાઓ અથવા વર્ષો વિતાવે છે. નવો અભિગમ સિંગલ-પોઈન્ટ એસ્ટીમેટને ડાઉનસ્ટ્રીમ પરિણામોના બહુ-પરિમાણીય નકશા સાથે બદલે છે. જ્યારે AI મોડેલ જાણે છે કે જીન X ને દૂર કરવાથી પાથવે Y સક્રિય થાય છે, અને તે ઉમેદવાર દવા તે જ પાથવેને શાંત કરે છે, ત્યારે તે ઘણી વહેલી અસરકારકતાનો અનુમાન લગાવી શકે છે.

આનો ફાયદો ખર્ચાળ ટ્રાયલ-એન્ડ-એરર પ્રયોગોમાં ઘટાડો છે. જો મોડેલ વિશ્વસનીય રીતે આગાહી કરી શકે કે કોઈ સંયોજન ઇચ્છિત કોષીય પ્રતિસાદ આપશે, તો ઓછા સંયોજનોનું સંશ્લેષણ, સ્ક્રીનિંગ અને નિકાલ કરવાની જરૂર પડશે. તે R&D ખર્ચ ઘટાડે છે અને સમયમર્યાદા ટૂંકી કરે છે—જે ફાયદાઓ સીધા જ દવાની માર્કેટ એક્સક્લુઝિવિટી વિન્ડો અને ફાર્મા કંપનીઓના નફાને અસર કરે છે.

"સાચો ડેટા" એ સુરક્ષા કવચ (moat) બને છે

આ ભાગીદારી "બિગ ડેટા" થી "સાચા ડેટા" તરફના બદલાવને રેખાંકિત કરે છે. સામાન્ય હેતુના મોડેલ્સ માત્ર જથ્થા પર નિર્ભર હોય છે, પરંતુ ડ્રગ ડિસ્કવરી માટે એવા ડેટાની જરૂર હોય છે જે અત્યંત વિશિષ્ટ હોય અને મેળવવામાં મુશ્કેલ હોય. વિશ્વસનીય કોષીય પ્રતિસાદ પ્રોફાઇલ્સ જનરેટ કરવા માટે અત્યાધુનિક સાધનો, કુશળ કર્મચારીઓ અને કડક ગુણવત્તા નિયંત્રણોની જરૂર છે—જેવા રોકાણો માત્ર સુસજ્જ નાણાકીય શક્તિ ધરાવતા ખેલાડીઓ જ કરી શકે છે.

જે કંપનીઓ આનુવંશિક કોડને માપી શકાય તેવા કોષીય પરિણામો સાથે જોડતી પાઇપલાઇન ધરાવે છે, તેઓ સૌથી મૂલ્યવાન બૌદ્ધિક સંપત્તિ પર કબજો રાખશે. આવા ડેટાસેટ્સની વિશિષ્ટતા એક એવો રક્ષણાત્મક અવરોધ બનાવે છે જે નવા ન્યુરલ નેટવર્ક આર્કિટેક્ચર કરતા નકલ કરવામાં વધુ મુશ્કેલ છે. બાયોટેક સ્થાપકો માટે સંદેશ સ્પષ્ટ છે: આગામી અલ્ગોરિધમિક સફળતાની પાછળ દોડવા કરતાં ડેટા એન્જિન બનાવવું વધુ વ્યૂહાત્મક હોઈ શકે છે.

વિરોધ પક્ષ: માત્ર ડેટા બધું ઉકેલી દેશે નહીં

ટીકાકારો નોંધે છે કે સંપૂર્ણ ડેટા પણ AI મોડેલ્સને ગેરમાર્ગે દોરી શકે છે. કોષો વિવિધ પેશીના પ્રકારો, રોગની સ્થિતિ અને દર્દીઓના વસ્તીવિષયક લક્ષણો મુજબ અલગ પડે છે; એક સંદર્ભમાં મેળવેલ ડેટાસેટ અન્ય પરિસ્થિતિઓમાં લાગુ ન પણ પડે. વિશાળ, ઉચ્ચ-ગુણવત્તાવાળા ડેટાસેટ્સ જનરેટ કરવા અને તેની સંભાળ રાખવાનો ખર્ચ મોડેલ્સને તાલીમ આપવાના ખર્ચ કરતા પણ વધી શકે છે, જે નાની કંપનીઓ માટે સ્કેલેબિલિટીના પ્રશ્નો ઉભા કરે છે.

નિયમનકારો પણ મહત્વના છે. માનવ જીવવિજ્ઞાનનું સિમ્યુલેશન કરવાનો દાવો કરતી પ્રિડિક્ટિવ AI ને અંતે ક્લિનિકલ પરિણામો સામે પ્રમાણિત કરવું આવશ્યક છે, જે તપાસનું એક નવું સ્તર ઉમેરે છે. જો ઉદ્યોગ પૂરતા વાસ્તવિક-વિશ્વના પરીક્ષણ વિના in-silico અનુમાનો પર વધુ પડતો આધાર રાખશે, તો જ્યારે આશાસ્પદ ઉમેદવારો ટ્રાયલ્સમાં નિષ્ફળ જશે ત્યારે તેને અવરોધોનો સામનો કરવો પડી શકે છે.

આગળ શું જોવું

આગામી થોડા મહિનાઓ એ દર્શાવશે કે GSK-Relation નો પ્રયાસ વચન આપેલા સ્કેલ પર ઉપયોગી ડેટા આપી શકશે કે નહીં. મુખ્ય સૂચકાંકોમાં શામેલ છે:

  • બેન્ચમાર્ક ડેટાસેટ્સનું પ્રકાશન જે અન્ય સંશોધકો મેળવી શકે છે (તદુપરાંત પ્રતિબંધિત શરતો હેઠળ પણ)
  • પ્રારંભિક તબક્કાના AI મોડેલ્સ જે ટેસ્ટ સેટ પર પરંપરાગત સ્ક્રીનિંગ પદ્ધતિઓ કરતા નોંધપાત્ર રીતે વધુ સારું પ્રદર્શન કરે છે
  • અન્ય ફાર્મા દિગ્ગજો તરફથી અનુગામી રોકાણો, જે ડેટા અભિગમ પુનરાવર્તિત કરી શકાય તેવો છે તેવો વિશ્વાસ દર્શાવે છે

જો આ સહયોગ hit-rate અથવા સાયકલ સમયમાં મૂર્ત સુધારો લાવશે, તો તે સમાન સોદાઓની લહેર લાવી શકે છે, જે ઉદ્યોગ R&D ના નાણાં કેવી રીતે ફાળવે છે તેને નવું સ્વરૂપ આપી શકે છે. તેનાથી વિપરીત, જો ડેટા ખૂબ જ અસ્પષ્ટ અથવા એકીકૃત કરવા માટે ખર્ચાળ સાબિત થાય, તો કંપનીઓ હાઇબ્રિડ અભિગમો તરફ પાછી ફરી શકે છે જે AI ને પરંપરાગત હાઇ-થ્રુપુટ સ્ક્રીનિંગ સાથે જોડે છે.

મુખ્ય તારણ

હાઈ-ફિડેલિટી કોષીય ડેટા પર GSK નું $110 મિલિયનનું રોકાણ એક નિર્ણાયક વળાંક સૂચવે છે: AI ડ્રગ ડિસ્કવરીમાં, સૌથી નિર્ણાયક ફાયદો વધુને વધુ એ જૈવિક સિગ્નલોની ગુણવત્તા અને વિશિષ્ટતા હશે જે મોડલ્સને તાલીમ આપે છે, માત્ર અલ્ગોરિધમ્સના કદ પર નહીં.