પરંપરાગત ફાર્માસ્યુટિકલ R&D પાઇપલાઇન તેના દાયકાઓ લાંબા સમયગાળા અને આસમાની ખર્ચ માટે જાણીતી છે, પરંતુ પૂર્વમાં એક મોટું પરિવર્તન આવી રહ્યું છે. જનરેટિવ AI ને સ્વચાલિત પ્રયોગશાળા સંશોધન સાથે જોડીને, બાયોટેક ઇનોવેટર્સ સક્ષમ દવાના ઉમેદવારોને ઓળખવા માટે જરૂરી સમયને વર્ષોમાંથી માત્ર મહિનાઓમાં ઘટાડી રહ્યા છે.

Insilico Medicine AI-સંચાલિત R&D સાથે રેકોર્ડ તોડે છે

આ તકનીકી પરિવર્તનમાં અગ્રેસર Insilico Medicine છે, જે હોંગકોંગમાં લિસ્ટેડ બાયોટેકનોલોજી કંપની છે જે દવાના વિકાસની ગતિને નવેસરથી વ્યાખ્યાયિત કરી રહી છે. CEO Alex Zhavoronkov ના જણાવ્યા અનુસાર, કંપનીએ દવાના વિકાસના ઉમેદવારો માટેના ઉત્પાદન સમયગાળાને ઘટાડવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો સફળતાપૂર્વક ઉપયોગ કર્યો છે, જે હવે અંદાજે એક વર્ષનો રહી ગયો છે.

કાર્યક્ષમતામાં થયેલો વધારો માત્ર સૈદ્ધાંતિક નથી; તે વાસ્તવિક માપદંડોમાં પણ દેખાઈ રહ્યો છે. જ્યારે કંપનીનો સામાન્ય વિકાસ ચક્ર અંદાજે 13 મહિનાનો હોય છે, ત્યારે Insilico Medicine ના સૌથી ઝડપી પ્રોગ્રામે માત્ર નવ મહિનામાં ઉમેદવારની પસંદગી (candidate nomination) હાંસલ કરી હતી. આ પ્રગતિ અત્યાધુનિક AI મોડલ્સને સખત પ્રયોગશાળા પ્રમાણિતકરણ (laboratory validation) સાથે જોડીને શક્ય બની છે, જે એક એવું ફીડબેક લૂપ બનાવે છે જે ડિજિટલ પરિકલ્પનાથી ભૌતિક અણુ સુધીના સંક્રમણને વેગ આપે છે.

Generative AI અને પ્રયોગશાળા સંશોધનનું સમન્વય

આ સફળતાનું મુખ્ય કેન્દ્ર કમ્પ્યુટેશનલ પાવર અને જૈવિક પ્રયોગોનું મિલન છે. પરંપરાગત પદ્ધતિઓ જે વિશાળ ભૌતિક લાયબ્રેરીઓના હાઈ-થ્રુપુટ સ્ક્રીનિંગ પર આધાર રાખે છે તેનાથી વિપરીત, AI-સંચાલિત અભિગમ ચોક્કસ જૈવિક ગુણધર્મો ધરાવતા નવા અણુઓ ડિઝાઇન કરવા માટે જનરેટિવ મોડલ્સનો ઉપયોગ કરે છે.

અણુઓ પ્રયોગશાળામાં સંશ્લેષિત (synthesize) થાય તે પહેલાં તેઓ લક્ષિત પ્રોટીન સાથે કેવી રીતે આંતરક્રિયા કરશે તેની આગાહી કરીને, સંશોધકો હજારો નિષ્ફળ પ્રયોગો ટાળી શકે છે. જ્યારે આ AI આગાહીઓને સ્વચાલિત પ્રયોગશાળા વર્કફ્લો—જેને ઘણીવાર "closed-loop" સિસ્ટમ્સ તરીકે ઓળખવામાં આવે છે—સાથે જોડવામાં આવે છે, ત્યારે ઉમેદવારના પ્રમાણિત કરવાની પ્રક્રિયા અભૂતપૂર્વ ગતિએ આગળ વધે છે. આ સમન્વય વૈજ્ઞાનિકોને તેમના મેન્યુઅલ પ્રયત્નો સૌથી આશાસ્પદ સંશોધનો પર કેન્દ્રિત કરવાની મંજૂરી આપે છે, જે ક્લાસિકલ ડ્રગ ડિસ્કવરીમાં જોવા મળતા "trial and error" ના તબક્કાને નોંધપાત્ર રીતે ઘટાડે છે.

વૈશ્વિક AI અને બાયોટેક લેન્ડસ્કેપ માટે અસરો

ચીનમાં જોવા મળેલી સફળતા વૈશ્વિક બાયોટેકનોલોજી ક્ષેત્ર માટે એક શક્તિશાળી 'proof of concept' તરીકે કામ કરે છે. જેમ જેમ AI મોડલ્સ વિશાળ રાસાયણિક અવકાશમાં નેવિગેટ કરવામાં વધુ કુશળ બનતા જાય છે, તેમ તેમ ડ્રગ ડિસ્કવરીનું "death valley"—તે સમયગાળો જ્યારે ઝેરીપણું અથવા અસરકારકતાના અભાવને કારણે મોટાભાગના ઉમેદવારો નિષ્ફળ જાય છે—તે ઘટવા લાગ્યો છે.

ડીપ ટેક ક્ષેત્રના ડેવલપર્સ અને ફાઉન્ડર્સ માટે, આ વિકાસ એક મહત્વપૂર્ણ વલણ પર ભાર મૂકે છે: સૌથી મૂલ્યવાન AI એપ્લિકેશન્સ ટેક્સ્ટ અને ઈમેજ જનરેશનથી આગળ વધીને "physical AI" ડોમેન્સમાં જઈ રહી છે. જૈવિક ડેટા સાથે કામ કરવાની અને ભૌતિક પરિણામોની આગાહી કરવાની ક્ષમતાના વિશાળ આર્થિક અસરો છે, જે સંભવિત રીતે દુર્લભ રોગોની સારવાર માટે પ્રવેશના અવરોધોને ઘટાડી શકે છે અને વૈશ્વિક સ્તરે આરોગ્ય સંભાળના એકંદર ખર્ચમાં ઘટાડો કરી શકે છે.

મુખ્ય મુદ્દાઓ

  • ઝડપી સમય ઘટાડો: Insilico Medicine એ સાબિત કર્યું છે કે AI દવાના ઉમેદવારની પસંદગીના સમયગાળાને માત્ર નવ મહિના સુધી ઘટાડી શકે છે.
  • હાઇબ્રિડ પદ્ધતિ: આ સફળતા જનરેટિવ AI ડિઝાઇન અને સ્વચાલિત પ્રયોગશાળા પ્રમાણિતકરણના સંયોજન દ્વારા હાંસલ કરવામાં આવી છે, જે પરંપરાગત trial-and-error પદ્ધતિઓથી દૂર જાય છે.
  • R&D અર્થશાસ્ત્રમાં ફેરફાર: ડિસ્કવરી તબક્કામાં વર્ષોમાંથી મહિનાઓમાં થયેલું પરિવર્તન બાયોટેકનોલોજી કંપનીઓ મૂડી અને સંશોધન વેગનું સંચાલન કેવી રીતે કરે છે તેમાં એક મૂળભૂત ફેરફાર દર્શાવે છે.

ઝડપ શા માટે મહત્વની છે

ડ્રગ ડિસ્કવરી લાંબા સમયથી એક મેરેથોન રહી છે. કંપનીઓ લાખો સંયોજનોમાંથી ફિલ્ટર કરવા માટે વર્ષો વિતાવે છે, અને ઘણીવાર એક પણ અણુ ક્લિનિકલ પરીક્ષણ સુધી પહોંચે તે પહેલાં નિષ્ફળ જાય છે. એક અણુને કન્સેપ્ટથી બજાર સુધી લઈ જવાનો ખર્ચ નિયમિતપણે અબજોમાં પહોંચી જાય છે, અને નિષ્ફળતાનો દર—ખાસ કરીને પ્રારંભિક "discovery" તબક્કામાં—ઊંચો રહે છે. ચીનમાં, જ્યાં બાયોટેક ક્ષેત્ર ઝડપથી વિસ્તરી રહ્યું છે, ત્યાં ઝડપી પાઇપલાઇન સ્થાનિક કંપનીઓને સ્થાપિત વૈશ્વિક ખેલાડીઓ પર સ્પર્ધાત્મક લાભ આપી શકે છે અને નવીન ઉપચારાત્મક પદ્ધતિઓમાં નેતા બનવાના દેશના લક્ષ્યને વેગ આપી શકે છે.

Insilico એ 9 મહિનાનો માર્ક કેવી રીતે હાંસલ કર્યો

હોંગકોંગમાં લિસ્ટેડ, Insilico Medicine, આ રેકોર્ડ સમયગાળાનો શ્રેય જનરેટિવ આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને સ્વચાલિત લેબોરેટરી વર્કફ્લોના મિશ્રણને આપે છે. જનરેટિવ AI એવા મોડલ્સનો સંદર્ભ આપે છે જે માત્ર હાલના અણુઓનું મૂલ્યાંકન કરવાને બદલે નવા મોલેક્યુલર સ્ટ્રક્ચર્સ (molecular structures) બનાવે છે. પ્રોટીન ટાર્ગેટ્સ અને ઇચ્છિત ફાર્માકોલોજીકલ ગુણધર્મોના ડેટા અલ્ગોરિધમને આપીને, સિસ્ટમ એવા નવા સંયોજનો સૂચવે છે જે અસરકારક રીતે જોડાઈ શકે તેવી આગાહી કરવામાં આવે છે.

કંપનીના CEO, Alex Zhavoronkov કહે છે કે આ પ્લેટફોર્મ સામાન્ય રીતે પ્રોજેક્ટને ટાર્ગેટ આઇડેન્ટિફિકેશનથી કેન્ડિડેટ નોમિનેશન સુધી લગભગ 13 મહિનામાં લઈ જાય છે. તેના સૌથી ઝડપી ચક્રમાં, આ પ્રક્રિયા માત્ર નવ મહિનામાં પૂર્ણ થઈ હતી. આ ઘટાડો એ વિશાળ ભૌતિક લાઇબ્રેરીઓને બાયપાસ કરવાને કારણે શક્ય બન્યો છે જેના પર પરંપરાગત હાઈ-થ્રુપુટ સ્ક્રીનિંગ નિર્ભર હોય છે; તેના બદલે, AI કોમ્પ્યુટર પર અણુઓ ડિઝાઇન કરે છે, અસંભવિત ઉમેદવારોને ફિલ્ટર કરે છે, અને માત્ર સૌથી આશાસ્પદ સ્ટ્રક્ચર્સને જ લેબમાં મોકલે છે.

AI-લેબ ફીડબેક લૂપ

એકવાર અણુનું સંશ્લેષણ થઈ જાય પછી, સ્વચાલિત સાધનો તેની પ્રવૃત્તિ, ઝેરીપણું (toxicity) અને અન્ય મુખ્ય માપદંડોનું પરીક્ષણ કરે છે. આ પરિણામો ફરીથી AI માં ફીડ કરવામાં આવે છે, જે આગામી રાઉન્ડ માટે તેની આગાહીઓને વધુ સચોટ બનાવે છે. આ “ક્લોઝ્ડ-લૂપ” સિસ્ટમનો અર્થ એ છે કે માનવ વૈજ્ઞાનિકો ટ્રાયલ-એન્ડ-એરર પાછળ ઓછો સમય વિતાવે છે અને અલ્ગોરિધમ દ્વારા પહેલેથી જ ફિલ્ટર કરવામાં આવેલા ડેટાના વિશ્લેષણમાં વધુ સમય વિતાવે છે.

કોઈ સંયોજન બનતા પહેલા જ તે કેવી રીતે વર્તશે તેની આગાહી કરીને, આ અભિગમ હજારો નિષ્ફળ પ્રયોગોને ટાળી શકે છે. એસેઝ (assays) નું ઓટોમેશન વેરિફિકેશન તબક્કાને વધુ ઝડપી બનાવે છે, જેનાથી એક જ ઉમેદવાર પરંપરાગત સમયના ખૂબ જ નાના ભાગમાં કોમ્પ્યુટરથી લેબ બેન્ચ અને પછી નોમિનેશન સુધી પહોંચી શકે છે.

કોને ફાયદો થશે અને કોણ પાછળ રહી જશે

તેનાથી વિપરીત, જે કંપનીઓ પરંપરાગત સ્ક્રીનિંગ પદ્ધતિઓને વળગી રહે છે તેઓ પાછળ રહી શકે છે.

સાવચેતીઓ અને આગળનો માર્ગ

AI-આધારિત ઝડપી શોધનું વચન સખત વેરિફિકેશનની જરૂરિયાતને દૂર કરતું નથી. પ્રિડિક્ટિવ મોડલ્સ તેમના તાલીમ ડેટા જેટલા જ સારા હોય છે, અને ટ્રેનિંગ સેટમાં રહેલા પૂર્વગ્રહો સુરક્ષા સંકેતો ચૂકી જવાનું કારણ બની શકે છે. તદુપરાંત, જોકે નવ મહિનાનો આ આંકડો પ્રભાવશાળી છે, તે માત્ર એક જ પ્રોગ્રામનું પ્રતિનિધિત્વ કરે છે; આ અભિગમને અનેક ટાર્ગેટ્સ પર લાગુ કરવાથી એવા અવરોધો (bottlenecks) સામે આવી શકે છે જે અત્યારે દેખાતા નથી.

આગળ શું જોવું

નવ મહિનાનો આ સીમાચિહ્ન દર્શાવે છે કે ડ્રગ ડિસ્કવરીની કેમેસ્ટ્રી હવે માત્ર લેબોરેટરી બેન્ચ પૂરતી મર્યાદિત નથી. જ્યારે અલ્ગોરિધમ્સ એક વ્યવહારુ અણુની રૂપરેખા તૈયાર કરી શકે અને મશીનો તેને દિવસોમાં ટેસ્ટ કરી શકે, ત્યારે આખી પ્રક્રિયાનો સમયગાળો ઘટી જાય છે. શું આ ઘટાડો નવો ધોરણ બનશે તેનો આધાર એ વાત પર રહેશે કે ઇકોસિસ્ટમ—કંપનીઓ, રોકાણકારો, નિયમનકારો અને દર્દીઓ—કેવા ઝડપથી એવી દુનિયા સાથે અનુકૂલન સાધે છે જ્યાં “ફિઝિકલ AI” આવતીકાલની દવાઓનો પ્રથમ ડ્રાફ્ટ તૈયાર કરે છે.