ಸಾಂಪ್ರದಾಯಿಕ ಔಷಧೀಯ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ (R&D) ಪ್ರಕ್ರಿಯೆಯು ದಶಕಗಳ ಕಾಲಾವಧಿ ಮತ್ತು ಅತಿ ಹೆಚ್ಚಿನ ವೆಚ್ಚಗಳಿಗೆ ಹೆಸರುವಾಸಿಯಾಗಿದೆ, ಆದರೆ ಪೂರ್ವ ಏಷ್ಯಾದಲ್ಲಿ ಒಂದು ದೊಡ್ಡ ಬದಲಾವಣೆ ನಡೆಯುತ್ತಿದೆ. ಜನರೇಟಿವ್ AI ಅನ್ನು ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯ ಸಂಶೋಧನೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಬಯೋಟೆಕ್ ನಾವೀನ್ಯಕಾರರು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಔಷಧ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಗುರುತಿಸಲು ಬೇಕಾಗುವ ಸಮಯವನ್ನು ವರ್ಷಗಳಿಂದ ಕೇವಲ ತಿಂಗಳುಗಳಿಗೆ ಇಳಿಸುತ್ತಿದ್ದಾರೆ.

AI-ಚಾಲಿತ R&D ಮೂಲಕ Insilico Medicine ದಾಖಲೆ ಸೃಷ್ಟಿಸಿದೆ

ಈ ತಾಂತ್ರಿಕ ಪರಿವರ್ತನೆಯಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿರುವ ಸಂಸ್ಥೆ Insilico Medicine. ಇದು ಹಾಂಗ್ ಕಾಂಗ್‌ನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ ಬಯೋಟೆಕ್ನಾಲಜಿ ಸಂಸ್ಥೆಯಾಗಿದ್ದು, ಔಷಧ ಅಭಿವೃದ್ಧಿಯ ವೇಗವನ್ನು ಮರು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಿದೆ. ಸಿಇಒ ಅಲೆಕ್ಸ್ ಜಾವೊರೋಂಕ فونب ಅವರ ಪ್ರಕಾರ, ಕಂಪನಿಯು ಔಷಧ ಅಭಿವೃದ್ಧಿ ಅಭ್ಯರ್ಥಿಗಳ ಉತ್ಪಾದನಾ ಸಮಯವನ್ನು ಅಂದಾಜು ಒಂದು ವರ್ಷಕ್ಕೆ ಇಳಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು (AI) ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿಕೊಂಡಿದೆ.

ಈ ದಕ್ಷತೆಯ ಹೆಚ್ಚಳವು ಕೇವಲ ಸೈದ್ಧಾಂತಿಕವಾಗಿಲ್ಲ; ಇದು ನೈಜ ಪ್ರಪಂಚದ ಮಾನದಂಡಗಳಲ್ಲಿ ಪ್ರತಿಫಲಿಸುತ್ತಿದೆ. ಕಂಪನಿಯ ಸಾಮಾನ್ಯ ಅಭಿವೃದ್ಧಿ ಚಕ್ರವು ಸುಮಾರು 13 ತಿಂಗಳುಗಳಾಗಿದ್ದರೂ, Insilico Medicine ನ ಅತ್ಯಂತ ವೇಗದ ಕಾರ್ಯಕ್ರಮವು ಕೇವಲ ಒಂಬತ್ತು ತಿಂಗಳುಗಳಲ್ಲಿ ಅಭ್ಯರ್ಥಿ ನಾಮನಿರ್ದೇಶನವನ್ನು ಸಾಧಿಸಿದೆ. ಅತ್ಯಾಧುನಿಕ AI ಮಾದರಿಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾದ ಪ್ರಯೋಗಾಲಯದ ಮೌಲ್ಯೀಕರಣದೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಈ ಜಿಗಿತ ಸಾಧ್ಯವಾಗಿದೆ, ಇದು ಡಿಜಿಟಲ್ ಕಲ್ಪನೆಯಿಂದ ಭೌತಿಕ ಅಣುವಿನವರೆಗೆ ಪರಿವರ್ತನೆಯನ್ನು ವೇಗಗೊಳಿಸುವ ಫೀಡ್‌ಬ್ಯಾಕ್ ಲೂಪ್ ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಜನರೇಟಿವ್ AI ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ಸಂಶೋಧನೆಯ ಸಮನ್ವಯ

ಈ ಮಹತ್ವದ ಯಶಸ್ಸಿನ ಮೂಲವು ಗಣಕೀಕೃತ ಶಕ್ತಿ ಮತ್ತು ಜೈವಿಕ ಪ್ರಯೋಗಗಳ ಸಮ್ಮಿಲನದಲ್ಲಿದೆ. ಬೃಹತ್ ಭೌತಿಕ ಲೈಬ್ರರಿಗಳ ಹೈ-ಥ್ರೂಪುಟ್ ಸ್ಕ್ರೀನಿಂಗ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುವ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗ Unlike, AI-ಚಾಲಿತ ವಿಧಾನವು ನಿರ್ದಿಷ್ಟ ಜೈವಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ಹೊಸ ಅಣುಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಜನರೇಟಿವ್ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ.

ಅಣುಗಳನ್ನು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಸಂಶ್ಲೇಷಿಸುವ ಮೊದಲೇ ಅವು ಗುರಿ ಪ್ರೋಟೀನ್‌ಗಳೊಂದಿಗೆ ಹೇಗೆ ಸಂವಹನ ನಡೆಸುತ್ತವೆ ಎಂಬುದನ್ನು ಊಹಿಸುವ ಮೂಲಕ, ಸಂಶೋಧಕರು ಸಾವಿರಾರು ವಿಫಲ ಪ್ರಯೋಗಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು. ಈ AI ಮುನ್ಸೂಚನೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯದ ಕಾರ್ಯಪ್ರವಾಹಗಳೊಂದಿಗೆ—ಇದನ್ನು ಹೆಚ್ಚಾಗಿ "ಕ್ಲೋಸ್ಡ್-ಲೂಪ್" ವ್ಯವಸ್ಥೆಗಳು ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ—ಸಂಯೋಜಿಸಿದಾಗ, ಅಭ್ಯರ್ಥಿಯನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಪ್ರಕ್ರಿಯೆಯು ಅಭೂತಪೂರ್ವ ವೇಗದಲ್ಲಿ ನಡೆಯುತ್ತದೆ. ಈ ಸಮನ್ವಯವು ವಿಜ್ಞಾನಿಗಳು ತಮ್ಮ ಕೈಯಿಂದ ಮಾಡುವ ಪ್ರಯತ್ನಗಳನ್ನು ಅತ್ಯಂತ ಭರವಸೆಯ ಸಂಶೋಧನೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಔಷಧ ಸಂಶೋಧನೆಯಲ್ಲಿ ಕಂಡುಬರುವ "ಪ್ರಯತ್ನ ಮತ್ತು ತಪ್ಪು" (trial and error) ಹಂತವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಜಾಗತಿಕ AI ಮತ್ತು ಬಯೋಟೆಕ್ ಕ್ಷೇತ್ರಕ್ಕೆ ಇದರ ಪರಿಣಾಮಗಳು

ಚೀನಾದಲ್ಲಿ ಕಂಡುಬರುತ್ತಿರುವ ಈ ಯಶಸ್ಸು ಜಾಗತಿಕ ಬಯೋಟೆಕ್ನಾಲಜಿ ವಲಯಕ್ಕೆ ಒಂದು ಪ್ರಬಲ ಸಾಕ್ಷಿಯಾಗಿದೆ. AI ಮಾದರಿಗಳು ವಿಶಾಲವಾದ ರಾಸಾಯನಿಕ ವ್ಯಾಪ್ತಿಯನ್ನು ಸಂಚರಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಿತವಾಗುತ್ತಿದ್ದಂತೆ, ಔಷಧ ಸಂಶೋಧನೆಯ "ಡೆತ್ ವ್ಯಾಲಿ" (death valley)—ಅಂದರೆ ವಿಷಕಾರಿತ್ವ ಅಥವಾ ಪರಿಣಾಮಕಾರಿತ್ವದ ಕೊರತೆಯಿಂದಾಗಿ ಹೆಚ್ಚಿನ ಅಭ್ಯರ್ಥಿಗಳು ವಿಫಲವಾಗುವ ಅವಧಿಯು—ಕುಗ್ಗಲು ಪ್ರಾರಂಭಿಸಿದೆ.

ಡೀಪ್ ಟೆಕ್ ಕ್ಷೇತ್ರದಲ್ಲಿರುವ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಸಂಸ್ಥಾಪಕರಿಗೆ, ಈ ಬೆಳವಣಿಗೆಯು ಒಂದು ನಿರ್ಣಾಯಕ ಪ್ರವೃತ್ತಿಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ: ಅತ್ಯಂತ ಮೌಲ್ಯಯುತವಾದ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರಗಳ ಜನರೇಟಿವ್ ಹಂತದಿಂದ ಮೀರಿ "ಫಿಸಿಕಲ್ AI" (physical AI) ಕ್ಷೇತ್ರಗಳಿಗೆ ಚಲಿಸುತ್ತಿವೆ. ಜೈವಿಕ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವ ಮತ್ತು ಭೌತಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಊಹಿಸುವ ಸಾಮರ್ಥ್ಯವು ಬೃಹತ್ ಆರ್ಥಿಕ ಪರಿಣಾಮಗಳನ್ನು ಹೊಂದಿದೆ, ಇದು ಅಪರೂಪದ ಕಾಯಿಲೆಗಳ ಚಿಕಿತ್ಸೆಗೆ ಬೇಕಾದ ಅಡೆತಡೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮತ್ತು ಜಾಗತಿಕವಾಗಿ ಆರೋಗ್ಯ ರಕ್ಷಣೆಯ ಒಟ್ಟಾರೆ ವೆಚ್ಚವನ್ನು ತಗ್ಗಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • ಸಮಯದ ಭಾರಿ ಕಡಿತ: AI ಔಷಧ ಅಭ್ಯರ್ಥಿ ನಾಮನಿರ್ದೇಶನದ ಸಮಯವನ್ನು ಕೇವಲ ಒಂಬತ್ತು ತಿಂಗಳುಗಳವರೆಗೆ ಕಡಿಮೆ ಮಾಡಬಲ್ಲದು ಎಂದು Insilico Medicine ಪ್ರದರ್ಶಿಸಿದೆ.
  • ಹೈಬ್ರಿಡ್ ವಿಧಾನ: ಈ ಯಶಸ್ಸು ಜನರೇಟಿವ್ AI ವಿನ್ಯಾಸ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯ ಮೌಲ್ಯೀಕರಣದ ಸಂಯೋಜನೆಯಿಂದ ಚಾಲಿತವಾಗಿದೆ, ಇದು ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರಯತ್ನ ಮತ್ತು ತಪ್ಪು ವಿಧಾನಗಳಿಂದ ದೂರ ಸರಿಯುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.
  • R&D ಆರ್ಥಿಕತೆಯಲ್ಲಿ ಬದಲಾವಣೆ: ಸಂಶೋಧನಾ ಹಂತದಲ್ಲಿ ವರ್ಷಗಳಿಂದ ತಿಂಗಳುಗಳಿಗೆ ಬದಲಾಗುವುದು ಬಯೋಟೆಕ್ನಾಲಜಿ ಕಂಪನಿಗಳು ತಮ್ಮ ಬಂಡವಾಳ ಮತ್ತು ಸಂಶೋಧನಾ ವೇಗವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದರಲ್ಲಿನ ಮೂಲಭೂತ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.

ವೇಗ ಏಕೆ ಮುಖ್ಯ

ಔಷಧ ಸಂಶೋಧನೆಯು ದೀರ್ಘಕಾಲದ ಮ್ಯಾರಥಾನ್ ಇದ್ದಂತೆ. ಕಂಪನಿಗಳು ಲಕ್ಷಾಂತರ ಸಂಯುಕ್ತಗಳನ್ನು ಹುಡುಕಲು ವರ್ಷಗಟ್ಟಲೆ ಸಮಯ ವ್ಯಯಿಸುತ್ತವೆ, ಮತ್ತು ಒಂದು ಅಣು ಕ್ಲಿನಿಕಲ್ ಪರೀಕ್ಷೆಗೆ ತಲುಪುವ ಮೊದಲೇ ಅನೇಕ ವಿಫಲವಾಗುತ್ತವೆ. ಒಂದು ಅಣುವನ್ನು ಪರಿಕಲ್ಪನೆಯಿಂದ ಮಾರುಕಟ್ಟೆಗೆ ತರುವ ವೆಚ್ಚವು ಸಾಮಾನ್ಯವಾಗಿ ಶತಕೋಟಿಗಳಲ್ಲಿ ಇರುತ್ತದೆ ಮತ್ತು ವಿಫಲತೆಯ ಪ್ರಮಾಣವು—ವಿಶೇಷವಾಗಿ ಆರಂಭಿಕ "ಸಂಶೋಧನಾ" ಹಂತದಲ್ಲಿ—ಹೆಚ್ಚಿದೆ. ಬಯೋಟೆಕ್ ವಲಯವು ವೇಗವಾಗಿ ವಿಸ್ತರಿಸುತ್ತಿರುವ ಚೀನಾದಲ್ಲಿ, ವೇಗವಾದ ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಯು ದೇಶೀಯ ಕಂಪನಿಗಳಿಗೆ ಜಾಗತಿಕ ಕಂಪನಿಗಳ ಮೇಲೆ ಸ್ಪರ್ಧಾತ್ಮಕ advantage ನೀಡಬಹುದು ಮತ್ತು ನವೀನ ಚಿಕಿತ್ಸೆಗಳಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿರುವ ದೇಶವಾಗುವ ಚೀನಾದ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.

Insilico ಹೇಗೆ 9 ತಿಂಗಳ ಗುರಿಯನ್ನು ತಲುಪಿತು

ಹಾಂಗ್‌ಕಾಂಗ್‌ನಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಲಾದ Insilico Medicine, ಈ ದಾಖಲೆ ಸಮಯದ ಸಾಧನೆಯನ್ನು ಜನರೇಟಿವ್ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ (generative artificial intelligence) ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯವಿಧಾನಗಳ (automated laboratory workflows) ಸಮ್ಮಿಶ್ರಣಕ್ಕೆ ನೀಡುತ್ತದೆ. ಜನರೇಟಿವ್ AI ಎಂದರೆ ಕೇವಲ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅಣು ರಚನೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಬದಲು, ಹೊಸ ಅಣು ರಚನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಮಾದರಿಗಳು ಎಂದರ್ಥ. ಪ್ರೋಟೀನ್ ಗುರಿಗಳು (protein targets) ಮತ್ತು ಅಪೇಕ್ಷಿತ ಔಷಧೀಯ ಗುಣಲಕ್ಷಣಗಳ (pharmacological properties) ಡೇಟಾವನ್ನು ಅಲ್ಗಾರಿದಮ್‌ಗೆ ಒದಗಿಸುವ ಮೂಲಕ, ಈ ವ್ಯವಸ್ಥೆಯು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಂಧಿಸಬಲ್ಲ ಹೊಸ ಸಂಯುಕ್ತಗಳನ್ನು (novel compounds) ಸೂಚಿಸುತ್ತದೆ.

ಕಂಪನಿಯ ಸಿಇಒ ಅಲೆಕ್ಸ್ ಜಾವೊರೋಂಕವ್ ಅವರ ಪ್ರಕಾರ, ಈ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಯೋಜನೆಯನ್ನು ಗುರಿ ಗುರುತಿಸುವಿಕೆಯಿಂದ (target identification) ಅಭ್ಯರ್ಥಿ ನಾಮನಿರ್ದೇಶನದವರೆಗೆ (candidate nomination) ಸುಮಾರು 13 ತಿಂಗಳುಗಳಲ್ಲಿ ಕೊಂಡೊಯ್ಯುತ್ತದೆ. ತನ್ನ ಅತ್ಯಂತ ವೇಗದ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಈ ಚಕ್ರವು ಒಂಬತ್ತು ತಿಂಗಳುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಂಡಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಹೈ-ಥ್ರೂಪುಟ್ ಸ್ಕ್ರೀನಿಂಗ್ (high-throughput screening) ಅವಲಂಬಿಸಿರುವ ಬೃಹತ್ ಭೌತಿಕ ಲೈಬ್ರರಿಗಳನ್ನು ಬಿಟ್ಟುಕೊಂಡಿರುವುದರಿಂದ ಈ ಸಮಯದ ಉಳಿತಾಯ ಸಾಧ್ಯವಾಗಿದೆ; ಬದಲಾಗಿ, AI ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಅಣುಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತದೆ, ಅಸಂಭವನೀಯ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅತ್ಯಂತ ಭರವಸೆಯ ರಚನೆಗಳನ್ನು ಮಾತ್ರ ಪ್ರಯೋಗಾಲಯಕ್ಕೆ ಕಳುಹಿಸುತ್ತದೆ.

AI-ಪ್ರಯೋಗಾಲಯ ಫೀಡ್‌ಬ್ಯಾಕ್ ಲೂಪ್

ಒಂದು ಅಣು ಸಂಶ್ಲೇಷಿತಗೊಂಡ ನಂತರ (synthesized), ಸ್ವಯಂಚಾಲಿತ ಉಪಕರಣಗಳು ಅದರ ಚಟುವಟಿಕೆ, ವಿಷಪೂರಿತತೆ (toxicity) ಮತ್ತು ಇತರ ಪ್ರಮುಖ ಮಾನದಂಡಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತವೆ. ಈ ಫಲಿತಾಂಶಗಳು AI ಗೆ ಮರಳಿ ಅಳವಡಿಕೆಯಾಗುತ್ತವೆ (feed back), ಇದು ಮುಂದಿನ ಸುತ್ತಿನ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಹೆಚ್ಚು ನಿಖರಗೊಳಿಸುತ್ತದೆ. ಈ "ಕ್ಲೋಸ್ಡ್-ಲೂಪ್" (closed-loop) ವ್ಯವಸ್ಥೆಯು ಮಾನವ ವಿಜ್ಞಾನಿಗಳು ಪ್ರಯೋಗ ಮತ್ತು ತಪ್ಪುಗಳ (trial-and-error) ಮೇಲೆ ಕಡಿಮೆ ಸಮಯವನ್ನು ವ್ಯಯಿಸಿ, ಅಲ್ಗಾರಿದಮ್ ಈಗಾಗಲೇ ಸಂಕುಚಿತಗೊಳಿಸಿರುವ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಹೆಚ್ಚು ಸಮಯವನ್ನು ಬಳಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಒಂದು ಸಂಯುಕ್ತವನ್ನು ತಯಾರಿಸುವ ಮೊದಲೇ ಅದು ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಮುನ್ಸೂಚನೆ ನೀಡುವ ಮೂಲಕ, ಈ ವಿಧಾನವು ಸಾವಿರಾರು ನಿಷ್ಫಲ ಪ್ರಯೋಗಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು. ಅಸೇಗಳ (assays) ಸ್ವಯಂಚಾಲಿತತೆಯು ಮೌಲ್ಯೀಕರಣ ಹಂತವನ್ನು ಮತ್ತಷ್ಟು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಒಂದು ಅಭ್ಯರ್ಥಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಸಮಯದ ಒಂದು ಸಣ್ಣ ಭಾಗದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್‌ನಿಂದ ಪ್ರಯೋಗದ ಮೇಜಿನವರೆಗೆ ಮತ್ತು ನಂತರ ನಾಮನಿರ್ದೇಶನದವರೆಗೆ ಸಾಗಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಯಾರು ಲಾಭ ಪಡೆಯುತ್ತಾರೆ ಮತ್ತು ಯಾರು ಹಿಂದೆ ಉಳಿಯಬಹುದು

ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಸಾಂಪ್ರದಾಯಿಕ ಸ್ಕ್ರೀನಿಂಗ್ ವಿಧಾನಗಳಿಗೆ ಅಂಟಿಕೊಂಡಿರುವ ಸಂಸ್ಥೆಗಳು ವೇಗದಲ್ಲಿ ಹಿಂದೆ ಬೀಳಬಹುದು.

ಎಚ್ಚರಿಕೆಗಳು ಮತ್ತು ಮುಂದಿನ ಹಾದಿ

AI-ವೇಗವರ್ಧಿತ ಸಂಶೋಧನೆಯ ಭರವಸೆಯು ಕಟ್ಟುನಿಟ್ಟಾದ ಮೌಲ್ಯೀಕರಣದ ಅಗತ್ಯವನ್ನು ಹೋಗಲಾಡಿಸುವುದಿಲ್ಲ. ಮುನ್ಸೂಚನಾ ಮಾದರಿಗಳು ಅವುಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲಾದ ಡೇಟಾದಷ್ಟೇ ಉತ್ತಮವಾಗಿರುತ್ತವೆ ಮತ್ತು ತರಬೇತಿ ಸೆಟ್‌ಗಳಲ್ಲಿನ ಪೂರ್ವಾಗ್ರಹಗಳು (biases) ಸುರಕ್ಷತಾ ಸಂಕೇತಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳಲು ಕಾರಣವಾಗಬಹುದು. ಇದಲ್ಲದೆ, ಒಂಬತ್ತು ತಿಂಗಳ ಅವಧಿಯು ಪ್ರಭಾವಶಾಲಿಯಾಗಿದ್ದರೂ, ಅದು ಕೇವಲ ಒಂದು ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ; ಈ ವಿಧಾನವನ್ನು ಹಲವಾರು ಗುರಿಗಳಿಗೆ ವಿಸ್ತರಿಸಿದಾಗ ಇನ್ನೂ ಗೋಚರಿಸದ ಅಡೆತಡೆಗಳು (bottlenecks) ಎದುರಾಗಬಹುದು.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

ಒಂಬತ್ತು ತಿಂಗಳ ಮೈಲಿಗಲ್ಲು ಔಷಧ ಸಂಶೋಧನೆಯ ರಸಾಯನಶಾಸ್ತ್ರವು ಇನ್ನು ಮುಂದೆ ಕೇವಲ ಪ್ರಯೋಗಾಲಯದ ಮೇಜಿಗೆ ಸೀಮಿತವಾಗಿಲ್ಲ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಅಣುವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದಾಗ ಮತ್ತು ಯಂತ್ರಗಳು ಅದನ್ನು ಕೆಲವೇ ದಿನಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದಾಗ, ಇಡೀ ಸಮಯದ ಅವಧಿಯು ಕುಗ್ಗುತ್ತದೆ. ಆ ಸಮಯದ ಕುಸಿತವು ಹೊಸ ನಿಯಮವಾಗುತ್ತದೆಯೇ ಎಂಬುದು—ಕಂಪನಿಗಳು, ಹೂಡಿಕೆದಾರರು, ನಿಯಂತ್ರಕರು ಮತ್ತು ರೋಗಿಗಳು ಸೇರಿದಂತೆ ಇಡೀ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯು (ecosystem), "ಫಿಸಿಕಲ್ AI" ನಾಳೆಯ ಔಷಧಿಗಳ ಮೊದಲ ಕರಡನ್ನು ಬರೆಯುವ ಜಗತ್ತಿಗೆ ಎಷ್ಟು ವೇಗವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.