Outer Biosciences હવે મશીન-લર્નિંગ મોડલ્સમાં જીવંત માનવ ત્વચા—જે નકામી સર્જિકલ પેશીઓમાંથી મેળવવામાં આવે છે અને એક મહિનાથી વધુ સમય સુધી જીવંત રાખવામાં આવે છે—નો ઉપયોગ કરે છે. આ સ્ટાર્ટઅપ દવા શોધ (drug-discovery) અને ડર્મેટોલોજીના અનુમાનિત પરિણામોને વધુ વિશ્વસનીય બનાવવાની આશા રાખે છે. તેની બે વર્ષની પાઈપલાઈન ઓપરેટિંગ રૂમમાંથી પેશીઓને થોડી જ કલાકોમાં લેબમાં પહોંચાડે છે, જે સ્પીડ કંપનીના જણાવ્યા મુજબ કોષોના કુદરતી વર્તનને જાળવી રાખે છે.
જૂના ડેટા-સેટ્સ શા માટે અપૂરતા છે
બાયોટેક ઇતિહાસના મોટાભાગના સમય દરમિયાન, સંશોધકો કમ્પ્યુટેશનલ સાધનોને તાલીમ આપવા માટે પ્રાણી મોડલ્સ અથવા કલ્ચર કરેલી સેલ લાઇન પર આધાર રાખતા આવ્યા છે. આ પ્રણાલીઓ સસ્તી અને સંભાળવામાં સરળ છે, પરંતુ તેઓ માનવ ત્વચાની સંપૂર્ણ જટિલતાને ભાગ્યે જ પકડી શકે છે—જે રોગપ્રતિકારક કોષો, ચેતાના છેડા (nerve endings), માઇક્રોબાયોમ ઇન્ટરેક્શન અને હોર્મોન્સ તથા તણાવ પ્રત્યેના ગતિશીલ પ્રતિભાવ સાથેનું એક સ્તરીય અંગ છે. આ અસંગતતા દવા વિકસાવનારાઓને પ્રાણી પરીક્ષણ અને માનવ પરીક્ષણોના અનેક રાઉન્ડ ચલાવવા માટે મજબૂર કરે છે, જેનાથી ખર્ચ વધે છે અને સમયમર્યાદા લંબાય છે.
Outer Biosciences પોતાને આ ખાઈને પૂરતા એક સેતુ તરીકે સ્થાપિત કરે છે. ડિશમાં ક્યારેય ફેરફાર ન કરવામાં આવેલી પેશીનો ઉપયોગ કરીને, કંપની માને છે કે તેનું AI એવા પેટર્ન શીખી શકે છે જે સિન્થેટિક મોડલ્સ માટે અદ્રશ્ય છે. સેલ લાઇનના સ્થિર સ્નેપશોટ અને સતત પરસ્પર ક્રિયા કરતા પેશીના ટુકડા (જે હજુ પણ તેના વાતાવરણ સાથે સંવાદ કરે છે) વચ્ચેનો તફાવત વર્ણવવા માટે ટીમ "જીવંત ડેટા" (Living data) શબ્દનો ઉપયોગ કરે છે.
ઓપરેટિંગ રૂમથી અલ્ગોરિધમ સુધી
લોજિસ્ટિકલ પડકાર વૈજ્ઞાનિક પડકાર જેટલો જ મોટો છે. Outer Biosciences એવી ત્વચા મેળવે છે જે એબડોમિનોપ્લાસ્ટી અથવા મેસ્ટોક્મી જેવી પ્રક્રિયાઓ દરમિયાન નકામી ગણાઈને ફેંકી દેવામાં આવતી હોય. ઇન્સ્ટિટ્યુશનલ રિવ્યુ બોર્ડ (IRB) ના દેખરેખ હેઠળ કાર્યરત બિન-લાભકારી અને વ્યાવસાયિક બાયોબેંકો, સંશોધન ઉપયોગ માટે દાતાની સંમતિનું દસ્તાવેજીકરણ કરે છે. એકવાર હોસ્પિટલ યોગ્ય નમૂનો સૂચવે, પછી કંપનીનું કુરિયર નેટવર્ક તેને લઈ લે છે, તાપમાન-નિયંત્રિત કન્ટેનરમાં તેનું પરિવહન કરે છે, અને થોડા કલાકોમાં પ્રોસેસિંગ સુવિધામાં પહોંચાડે છે.
લેબમાં, ત્વચા એક પરફ્યુઝન સિસ્ટમમાં રાખવામાં આવે છે જે લોહીના પ્રવાહની નકલ કરે છે, જેનાથી કોષો 30 દિવસ સુધી જીવંત રહે છે. તે સમયગાળા દરમિયાન, ટીમ વિવિધ સમયના બિંદુઓ પર હાઇ-રિઝોલ્યુશન ઇમેજિંગ, ટ્રાન્સક્રિપ્ટોમિક્સ અને પ્રોટીઓમિક્સ ડેટા મેળવે છે. આ મલ્ટી-મોડલ ડેટાસેટ ડીપ-લર્નિંગ પાઈપલાઈન્સને ફીડ કરે છે જે આગાહી કરે છે કે પેશી રાસાયણિક સંયોજનો, UV એક્સપોઝર અથવા સોજો લાવતા પરિબળો (inflammatory triggers) પ્રત્યે કેવી પ્રતિક્રિયા આપશે.
આ કાર્યને આગળ ધપાવનાર લોકો
સહ-સ્થાપક અને CEO માઈકલ પોલાન્સ્કી હાર્વર્ડમાંથી ગણિતનું બેકગ્રાઉન્ડ અને વેન્ચર-કેપિટલ પોર્ટફોલિયોથી લઈને વૈશ્વિક કોન્સર્ટ ટૂર સુધીની જટિલ કામગીરીને સ્કેલ કરવાનો અનુભવ ધરાવે છે. ચીફ સાયન્ટિસ્ટ ક્યોંગ-જિન જંગ, જે ત્વચા-જીવવિજ્ઞાન (skin-biology) નિષ્ણાત છે, તેઓ પ્રાયોગિક પાસાનું નિર્દેશન કરે છે, જ્યારે CTO ક્રિસ હિનોજોસા ડેટા-એન્જિનિયરિંગ પ્લેટફોર્મ બનાવે છે જે ઇમેજિંગ અને મોલેક્યુલર સ્ટ્રીમ્સને જોડે છે. બોર્ડમાં પોપ-કલ્ચર આઇકોન લેડી ગાગાનો સમાવેશ થાય છે, જે કોસ્મેટિક્સ બ્રાન્ડ Haus Labs ના ચેરમેન પણ છે, જે એક એવું સાહસ છે જે Outer Biosciences સાથે સંશોધન સંસાધનો વહેંચે છે.
આ ક્રોસ-ઇન્ડસ્ટ્રી જોડાણો સ્ટાર્ટઅપને એક વિશિષ્ટ લોજિસ્ટિક્સ નેટવર્ક બનાવવા માટે મૂડી અને પ્રારંભિક ઉપયોગો માટે તૈયાર બજાર બંને પૂરા પાડે છે. ઉદાહરણ તરીકે, Haus Labs માનવ સ્વયંસેવકો પર જતાં પહેલાં લાઈવ-ટિશ્યુ પ્લેટફોર્મ પર નવા ફોર્મ્યુલેશનનું પરીક્ષણ કરી શકે છે, જે સંભવિત રીતે સામાન્ય પ્રોડક્ટ-ડેવલપમેન્ટ સાયકલમાંથી અઠવાડિયા ઘટાડી શકે છે.
શું દાવ પર છે
જો આ અભિગમ તેના વચન મુજબ સફળ થાય, તો ફાર્માસ્યુટિકલ કંપનીઓ પ્રારંભિક તબક્કાના સ્ક્રીનિંગ માટે જરૂરી પ્રાણીઓના અભ્યાસની સંખ્યા ઘટાડી શકે છે, જેનાથી ખર્ચ અને નૈતિક ચિંતાઓ બંનેમાં ઘટાડો થશે. ડર્મેટોલોજી ક્લિનિક્સને એવા AI સાધનો મળી શકે છે જે આગાહી કરે છે કે દર્દીની ત્વચા પ્રિસ્ક્રિપ્શન ક્રીમ પ્રત્યે કેવી પ્રતિક્રિયા આપશે, જે ખરેખર વ્યક્તિગત સારવાર યોજનાઓ સક્ષમ બનાવશે. વ્યાપક AI સમુદાયને પણ વધુ સમૃદ્ધ અને વાસ્તવિક તાલીમ સેટથી લાભ થઈ શકે છે જે પ્રિડિક્ટિવ બાયોલોજીની મર્યાદાઓને આગળ વધારે છે.
આ મોડલ સ્કેલેબિલિટી અને ગોપનીયતા વિશે પ્રશ્નો ઉભા કરે છે. સર્જરીમાંથી પેશીઓ એકત્રિત કરવી એ હોસ્પિટલો અને ભાગ લેવા માટે તૈયાર દાતાઓ પર નિર્ભર છે, અને માંગ વધતા સપ્લાય ચેઇનમાં અવરોધ આવી શકે છે. જોકે બાયોબેંકો IRB ના દેખરેખ હેઠળ કાર્ય કરે છે, જો ડેટા-હેન્ડલિંગ પદ્ધતિઓમાં ભૂલ થાય તો સૈદ્ધાંતિક રીતે વિગતવાર મોલેક્યુલર પ્રોફાઇલ વ્યક્તિઓ સાથે જોડાઈ શકે છે. ટીકાકારો દલીલ કરે છે કે સંમતિ હોવા છતાં, નકામી પેશીઓનું વ્યાવસાયિક શોષણ નૈતિકતાની પાતળી રેખા પર ચાલે છે.
વિરોધ પક્ષ: શું ઓર્ગેનોઇડ્સની હજુ પણ કોઈ ભૂમિકા છે?
Scientists who develop organoids—three-dimensional clusters of cells grown in the lab to mimic organ function—caution against discarding those models entirely. Organoids can be generated from a single patient’s induced pluripotent stem cells, offering a personalized platform without the need for fresh surgical tissue. They also let researchers study developmental processes over months, something a 30-day skin slice cannot do. Outer Biosciences acknowledges that its platform is not a universal replacement but a complementary source of high-fidelity data for specific questions where the native architecture of skin matters most.
The road ahead
Outer Biosciences is currently running pilot studies with several biotech partners, testing the predictive power of its models against known drug outcomes. Early results, shared only in internal briefings, suggest a higher correlation with clinical-trial data than comparable organoid-based predictions. The company plans to expand its tissue collection to include other organ types, though each will bring its own logistical hurdles.
Regulators have not yet issued specific guidance on AI models trained on live human tissue, but the FDA’s emerging framework for AI-driven medical devices will likely intersect with Outer’s work. The startup says it is preparing documentation that meets both data-privacy standards and the agency’s expectations for algorithmic transparency.
Bottom line
Outer Biosciences has turned a logistical feat—moving fresh human skin from the operating room to a lab in a matter of hours—into a data engine that could make AI predictions about drugs and skin health more trustworthy. The venture’s success will hinge on its ability to keep the tissue pipeline flowing, protect donor privacy, and prove that “living data” actually outperforms existing synthetic models. If it does, the ripple effect could be felt across pharma, cosmetics and clinical dermatology, reshaping how we train machines to understand the human body.