𝗛𝗼𝘄 𝗔𝗜 𝗜𝘀 𝗗𝗶𝘀𝗿𝘂𝗽𝘁𝗶𝗻𝗴 𝗗𝗿𝘂𝗴 𝗗𝗶𝘀𝗰𝗼𝘃𝗲𝗿𝘆

ನಲವತ್ತಾರು ದಿನಗಳು.

ಫೈಬ್ರೋಸಿಸ್‌ಗಾಗಿ (fibrosis) ಹೊಸ ಔಷಧದ ಅಭ್ಯರ್ಥಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ಒಂದು AI ವ್ಯವಸ್ಥೆಗೆ ತಗುಲಿದ ಸಮಯವಿದು.

ಉದ್ಯಮದ ಮಾನದಂಡದ ಪ್ರಕಾರ ಇದಕ್ಕೆ ಐದು ವರ್ಷಗಳು ಮತ್ತು 2 ಬಿಲಿಯನ್ ಡಾಲರ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ.

AI ಕೇವಲ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸಲಿಲ್ಲ, ಬದಲಾಗಿ ಅದನ್ನು 40 ಪಟ್ಟು ವೇಗಗೊಳಿಸಿತು.

ಇದು ಈಗಲೇ ನಡೆಯುತ್ತಿದೆ. Insilico Medicine ಕಂಪನಿಯು 46 ದಿನಗಳಲ್ಲಿ ಔಷಧದ ಅಭ್ಯರ್ಥಿಯನ್ನು ಗುರುತಿಸಲು generative AI ಅನ್ನು ಬಳಸಿತು. ಅಂದಿನಿಂದ, AI ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಔಷಧಗಳು ಎರಡನೇ ಹಂತದ (Phase II) ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳಿಗೆ ಪ್ರವೇಶಿಸಿವೆ.

DeepMind 2024 ರಲ್ಲಿ AlphaFold 3 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿತು. ಇದು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪ್ರೋಟೀನ್‌ಗಳು, DNA ಮತ್ತು RNA ಗಳ 3D ರಚನೆಗಳನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ. ಈ ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಪಿಎಚ್‌ಡಿ (PhD) ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ವರ್ಷಗಳೇ ಬೇಕಾಗುತ್ತಿತ್ತು.

ಸಾಂಪ್ರದಾಯಿಕ ಔಷಧ ಸಂಶೋಧನೆಯು ನಿಧಾನ ಮತ್ತು ದುಬಾರಿ:

  • ಗುರಿ ಗುರುತಿಸುವಿಕೆ (Target identification): 2 ರಿಂದ 3 ವರ್ಷಗಳ ಸಂಶೋಧನೆ.
  • ಹಿಟ್ ಡಿಸ್ಕವರಿ (Hit discovery): ಲಕ್ಷಾಂತರ ಸಂಯುಕ್ತಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು 1 ರಿಂದ 2 ವರ್ಷಗಳು.
  • ಲೀಡ್ ಆಪ್ಟಿಮೈಸೇಶನ್ (Lead optimization): ರಾಸಾಯನಿಕ ಬದಲಾವಣೆಗಳಿಗಾಗಿ 2 ರಿಂದ 3 ವರ್ಷಗಳು.
  • ಪ್ರಿಕ್ಲಿನಿಕಲ್ ಪರೀಕ್ಷೆ (Preclinical testing): ಪ್ರಾಣಿ ಮಾದರಿಗಳಿಗಾಗಿ 1 ರಿಂದ 2 ವರ್ಷಗಳು.
  • ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು (Clinical trials): ಮಾನವ ಪರೀಕ್ಷೆಗಾಗಿ 6 ರಿಂದ 7 ವರ್ಷಗಳು.

ಇದರ ಪರಿಣಾಮವಾಗಿ 90% ವೈಫಲ್ಯದ ದರ ಮತ್ತು ಭಾರಿ ವೆಚ್ಚ ಎದುರಾಗುತ್ತದೆ.

AI ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲೂ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ:

  • ಗುರಿ ಗುರುತಿಸುವಿಕೆ (Target Identification): ರೋಗದ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು AI ಮಾದರಿಗಳು genomics ಮತ್ತು proteomics ಅನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತವೆ. Graph neural networks ಮನುಷ್ಯರು ಗಮನಿಸದ ಗುರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತವೆ.
  • ಅಣು ವಿನ್ಯಾಸ (Molecule Design): ಹಳೆಯ ಸಂಯುಕ್ತಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಬದಲು, generative AI ಹೊಸ ಸಂಯುಕ್ತಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. VAEs ಮತ್ತು GANs ನಂತಹ ಮಾದರಿಗಳು ನಿರ್ದಿಷ್ಟ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ಅಣುಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತವೆ.
  • ರಚನೆ ಮುನ್ಸೂಚನೆ (Structure Prediction): ಔಷಧಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ 3D ನಕ್ಷೆಗಳನ್ನು AlphaFold 3 ಒದಗಿಸುತ್ತದೆ. ಅಣುಗಳು ಪ್ರೋಟೀನ್‌ಗಳೊಂದಿಗೆ ಹೇಗೆ ಬಂಧಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಇದು ತಕ್ಷಣವೇ ತೋರಿಸುತ್ತದೆ.

ಅಂಕಿಅಂಶಗಳು ಈ ಬದಲಾವಣೆಯನ್ನು ತೋರಿಸುತ್ತವೆ:

  • ಗುರಿ-ನಿವೃತ್ತಿ ಸಮಯ (Target-to-lead time): 3 ರಿಂದ 5 ವರ್ಷಗಳು vs 12 ರಿಂದ 18 ತಿಂಗಳುಗಳು.
  • ಪರೀಕ್ಷಿಸಿದ ಸಂಯುಕ್ತಗಳು: 100,000 vs 1 ಬಿಲಿಯನ್‌ಗಿಂತ ಹೆಚ್ಚು ವರ್ಚುವಲ್ ಸಂಯುಕ್ತಗಳು.
  • ಕ್ಲಿನಿಕಲ್ ಯಶಸ್ಸು: ಆರಂಭಿಕ ದತ್ತಾಂಶದ ಪ್ರಕಾರ ಸರಿಸುಮಾರು 10% vs 20%.

ನೀವು ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರ್ ಆಗಿದ್ದರೆ, ಈ ಕ್ಷೇತ್ರಕ್ಕೆ ನಿಮ್ಮ ಅಗತ್ಯವಿದೆ. ಔಷಧ ಸಂಶೋಧನೆಯು ಈಗ ದತ್ತಾಂಶ (data) ಮತ್ತು ಕಂಪ್ಯೂಟ್ (compute) ಸಮಸ್ಯೆಯಾಗಿದೆ.

ನೀವು ಇವುಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಬಹುದು:

  • SMILES strings: ಅಣುಗಳಿಗಾಗಿ ಬಳಸುವ ಪಠ್ಯ ರೂಪ (text format).
  • RDKit: ರಸಾಯನಶಾಸ್ತ್ರಕ್ಕಾಗಿ ಬಳಸುವ Python ಲೈಬ್ರರಿ.
  • ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶಗಳು (Public datasets): ChEMBL ಮತ್ತು PubChem.
  • ಪೂರ್ವ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು (Pretrained models): HuggingFace ನಲ್ಲಿರುವ ChemBERTa.

AI ಎಲ್ಲವನ್ನೂ ರಾತ್ರೋರಾತ್ರಿ ಗುಣಪಡಿಸುವುದಿಲ್ಲ. ದತ್ತಾಂಶದ ಗುಣಮಟ್ಟ ಮತ್ತು ಸಂಶ್ಲೇಷಣೆಯ ಕಷ್ಟದಂತಹ (synthetic difficulty) ಸವಾಲುಗಳು ಇನ್ನೂ ಉಳಿದಿವೆ. ಆದರೆ ಈ ಬದಲಾವಣೆ ಶಾಶ್ವತವಾಗಿದೆ. AI ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರವನ್ನು ವೇಗವಾಗಿ ಮತ್ತು ಹೆಚ್ಚು ವ್ಯವಸ್ಥಿತವಾಗಿ ಮಾಡುತ್ತಿದೆ.

AI ವಿಜ್ಞಾನದ ಯಾವ ಕ್ಷೇತ್ರವು ನಿಮ್ಮನ್ನು ಹೆಚ್ಚು ಉತ್ತೇಜಿಸುತ್ತದೆ? ಕಾಮೆಂಟ್‌ನಲ್ಲಿ ತಿಳಿಸಿ.

ಮೂಲ (Source): https://dev.to/tyson_cung/how-ai-is-disrupting-drug-discovery-46-days-instead-of-5-years-58k0

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ (Optional learning community): https://t.me/GyaanSetuAi