Novo Nordisk, മരുന്ന് കണ്ടുപിടിക്കൽ പ്രക്രിയകളിൽ (drug-discovery pipelines) സ്വയം പ്രവർത്തിക്കുന്ന "ഏജന്റിക് AI" (agentic AI) ഏജന്റുകളെ ഉൾപ്പെടുത്തുന്നതിനായി Amazon Web Services-മായി പങ്കാളിത്തം ഒപ്പിട്ടു. ഒരു അനുമാനം (hypothesis) മുതൽ ഒരു തന്മാത്ര (candidate molecule) കണ്ടെത്തുന്നതുവരെയുള്ള സമയം കുറയ്ക്കുക എന്നതാണ് ഇതിലൂടെ ലക്ഷ്യമിടുന്നത്. വെറും പാറ്റേണുകൾ ചൂണ്ടിക്കാണിക്കുന്ന പ്രവചന മോഡലുകളിൽ (predictive models) നിന്ന്, മനുഷ്യന്റെ ഇടപെടലില്ലാതെ തന്നെ പല ഘട്ടങ്ങളുള്ള പരീക്ഷണങ്ങൾ നടത്താൻ കഴിയുന്ന AI സംവിധാനങ്ങളിലേക്കുള്ള ഒരു മാറ്റമാണിത്.

പ്രവചനത്തിൽ നിന്ന് പ്രവർത്തനത്തിലേക്ക്

ജനിതക വിവരങ്ങൾ (genomic data) പരിശോധിക്കാനും, രോഗകാരണമായ ലക്ഷ്യങ്ങൾ (targets) കണ്ടെത്താനും, സംയുക്തങ്ങൾ പ്രോട്ടീനുകളുമായി എങ്ങനെ ബന്ധപ്പെടുന്നു എന്ന് മനസ്സിലാക്കാനും ഫാർമസ്യൂട്ടിക്കൽ ഗവേഷണങ്ങൾ കാലങ്ങളായി മെഷീൻ ലേണിംഗ് ടൂളുകളെ ആശ്രയിക്കുന്നു. എന്നാൽ ഈ ടൂളുകൾ വിവരങ്ങൾ നൽകുന്ന ഘട്ടത്തിൽ അവസാനിക്കുന്നു; അടുത്ത പരീക്ഷണം രൂപകൽപ്പന ചെയ്യാനും, സിമുലേഷനുകൾ നടത്താനും, ഫലങ്ങൾ വിശകലനം ചെയ്യാനും ശാസ്ത്രജ്ഞർക്ക് ഇന്നും ആവശ്യമാണ്. എന്നാൽ ഏജന്റിക് AI (Agentic AI) പ്രവർത്തിക്കാൻ രൂപകൽപ്പന ചെയ്തതാണ്. ഒരു ഉയർന്ന ലക്ഷ്യം നൽകിയാൽ—ഉദാഹരണത്തിന്, "പ്രോട്ടീൻ X-നെ തടയാൻ കഴിയുന്ന ഒരു ചെറിയ തന്മാത്ര കണ്ടെത്തുക"—ഡാറ്റ ശേഖരണം, തന്മാത്രാ രൂപകൽപ്പനയ്ക്കുള്ള അൽഗോരിതങ്ങൾ, സിമുലേഷൻ റണ്ണുകൾ, ലാബ് പ്രോട്ടോക്കോളുകൾ നിർദ്ദേശിക്കൽ എന്നിവയെല്ലാം ഒരു ഒറ്റ പ്രക്രിയയായി (workflow) ഏജന്റിക് AI-ക്ക് ചെയ്യാൻ കഴിയും.

പ്രായോഗികമായി, Novo Nordisk ഈ ഏജന്റുകളെ മൂന്ന് പ്രധാന ജോലികൾക്കായി ഉപയോഗിക്കും:

  • Target identification (ലക്ഷ്യങ്ങൾ തിരിച്ചറിയൽ) – രോഗങ്ങളുമായി ബന്ധപ്പെട്ട ജീനുകളോ പ്രോട്ടീനുകളോ കണ്ടെത്താനും അവയുടെ ഗുണനിലവാരം പരിശോധിക്കാനും ഒമിക്സ് ഡാറ്റസെറ്റുകൾ (omics datasets) പരിശോധിക്കുന്നു.
  • Therapy design (ചികിത്സാ രൂപകൽപ്പന) – തന്മാത്രാ ഘടനകൾ നിർമ്മിക്കുക, ഡോക്കിംഗ് (docking), ഡൈനാമിക്സ് സിമുലേഷനുകൾ എന്നിവ നടത്തുക, പ്രവചിക്കപ്പെട്ട ഫലങ്ങൾക്കും സുരക്ഷയ്ക്കും അനുസരിച്ച് രാസഘടനകളിൽ മാറ്റം വരുത്തുക.
  • Protocol automation (പ്രോട്ടോക്കോൾ ഓട്ടോമേഷൻ) – പരീക്ഷണ പ്ലാനുകൾ തയ്യാറാക്കുക, റീജന്റുകൾ (reagents) ഓർഡർ ചെയ്യുക, തുടർച്ചയായ പഠനത്തിനായി ഫലങ്ങൾ വീണ്ടും AI സംവിധാനത്തിലേക്ക് നൽകുക.

ഓരോ ഘട്ടത്തിനും ഇടയിലുള്ള മാനുവൽ ഇടപെടലുകൾ ഒഴിവാക്കുന്നതിലൂടെ, വർഷങ്ങളെടുക്കുന്ന ഒരു പ്രക്രിയ മാസങ്ങൾക്കുള്ളിൽ പൂർത്തിയാക്കാൻ കമ്പനി പ്രതീക്ഷിക്കുന്നു.

AI എഞ്ചിനും ക്ലൗഡ് അടിസ്ഥാനവുമായി AWS

Novo Nordisk-ന്റെ പ്രിയപ്പെട്ട ക്ലൗഡ് പ്രൊവൈഡറായും തന്ത്രപരമായ AI പങ്കാളിയായും AWS-നെ ഈ കരാർ നിശ്ചയിക്കുന്നു. ശാസ്ത്രീയ ആവശ്യങ്ങൾക്കായി ക്രമീകരിച്ചിട്ടുള്ള ഉയർന്ന പ്രകടനമുള്ള കമ്പ്യൂട്ട് ക്ലസ്റ്ററുകൾ, സീക്വൻസിംഗിനും പരീക്ഷണ ഡാറ്റകൾക്കുമായി പെറ്റാബൈറ്റ് കണക്കിന് സ്റ്റോറേജ്, കൂടാതെ വിവിധ AI സേവനങ്ങൾ എന്നിവ AWS നൽകും. ലണ്ടനിലെ Novo Nordisk സൈറ്റിൽ ഒരു സഹ-നവീകരണ കേന്ദ്രവും (co-innovation hub) ഈ പങ്കാളിത്തത്തിലൂടെ രൂപപ്പെടുന്നു. ഇവിടെ ഡാറ്റാ സയന്റിസ്റ്റുകളും ബയോളജിസ്റ്റുകളും AWS എഞ്ചിനീയർമാരും ചേർന്ന് പ്രത്യേക AI ഏജന്റുകൾ നിർമ്മിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്യും.

ഈ കേന്ദ്രം ഒരു പരീക്ഷണശാല (sandbox) മാത്രമാണ്, ഒരു ഉൽപ്പാദന ശാലയല്ല. വിവിധ ഏജന്റ് ആർക്കിടെക്ചറുകൾ പരീക്ഷിക്കാനും, സ്വന്തമായ ബയോളജിക്കൽ ഡാറ്റാബേസുകൾ സംയോജിപ്പിക്കാനും, അപൂർവ്വ രോഗങ്ങളോ മറ്റ് പാർശ്വഫലങ്ങളോ പോലുള്ള സങ്കീർണ്ണമായ സാഹചര്യങ്ങൾ ഏജന്റുകൾ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു എന്ന് വിലയിരുത്താനും ടീമുകൾക്ക് ഇതിലൂടെ സാധിക്കും. സങ്കീർണ്ണമായ ബയോളജിയെ അത്യാധുനിക AI-യുമായി കൂട്ടിയിണക്കുമ്പോൾ ആവശ്യമായ വേഗത്തിലുള്ള ഫീഡ്‌ബാക്ക് ലഭിക്കാൻ ഈ സാമീപ്യം സഹായിക്കും.

ബയോടെക് മേഖല ഇത് ശ്രദ്ധിക്കുന്നത് എന്തുകൊണ്ട്?

മരുന്ന് വികസനം എന്നത് വളരെ ചെലവേറിയതും സാവധാനത്തിലുള്ളതുമായ പ്രക്രിയയാണ്. ഒരു തന്മാത്രയെ ആശയത്തിൽ നിന്ന് വിപണിയിൽ എത്തിക്കാൻ ശരാശരി പത്ത് വർഷത്തിലധികം സമയവും കോടിക്കണക്കിന് ഡോളറും ആവശ്യമാണ്. ഈ സമയക്രമത്തിൽ ആഴ്ചകളോ മാസങ്ങളോ കുറയ്ക്കാൻ കഴിയുന്ന ഏതൊരു സാങ്കേതികവിദ്യയും നേരിട്ട് ചെലവ് കുറയ്ക്കുകയും രോഗികൾക്ക് മരുന്നുകൾ വേഗത്തിൽ ലഭ്യമാക്കുകയും കമ്പനിയുടെ മത്സരശേഷി വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

ഏജന്റിക് AI ബയോടെക് മേഖലയെ ഒരു 'ക്ലൗഡ്-ഫസ്റ്റ്' (cloud-first) പ്രവർത്തന രീതിയിലേക്ക് നയിക്കുകയും ചെയ്യുന്നു. ആവശ്യാനുസരണം വലിയ കമ്പ്യൂട്ട് ക്ലസ്റ്ററുകൾ സജ്ജമാക്കാനും, സമാന്തരമായി സിമുലേഷനുകൾ നടത്താനും, ഓരോ ഘട്ടത്തിലെയും രൂപകൽപ്പനകൾ ഒരു പൊതു സംഭരണത്തിൽ സൂക്ഷിക്കാനും കഴിയുന്ന കമ്പനികൾക്ക് തന്ത്രപരമായ മുൻതൂക്കം ലഭിക്കും. Novo Nordisk-ന്റെ AWS-മായുള്ള ഈ സഹകരണം സൂചിപ്പിക്കുന്നത് ഫാർമ ഇൻവേഷന്റെ അടുത്ത തരം ക്ലൗഡ് ഇൻഫ്രാസ്ട്രക്ചറുമായി അഭേദ്യമായി ബന്ധപ്പെട്ടിരിക്കും എന്നാണ്.

അപകടസാധ്യതകളും ആശങ്കകളും

സ്വയം പ്രവർത്തിക്കുന്ന ഏജന്റുകളുടെ വാഗ്ദാനം മനുഷ്യവിദഗ്ദ്ധരുടെ ആവശ്യകത ഇല്ലാതാക്കുന്നില്ല. പരിശോധനകൾ (Validation) ഇപ്പോഴും ഒരു തടസ്സമാണ്; AI നിർദ്ദേശിക്കുന്ന ഒരു സംയുക്തം നിർമ്മിക്കപ്പെടുകയും, ഇൻ വിട്രോ (in vitro) പരീക്ഷണങ്ങൾ നടത്തുകയും, വിഷാംശ പരിശോധനകൾ നടത്തുകയും വേണം. പരിശീലന ഡാറ്റയിൽ നിന്നുള്ള പക്ഷപാതങ്ങൾ (biases) AI സംവിധാനങ്ങളിൽ ഉണ്ടാകാം എന്നും, ഇത് ചരിത്രപരമായ പാറ്റേണുകൾക്ക് പുറത്തുള്ള പുതിയ രീതികളെ അവഗണിക്കാൻ ഇടയാക്കിയേക്കാം എന്നും വിമർശകർ ചൂണ്ടിക്കാട്ടുന്നു. AI നിർമ്മിച്ച മരുന്ന് ഉൽപ്പന്നങ്ങൾക്ക് വ്യക്തമായ മാർഗ്ഗനിർദ്ദേശങ്ങൾ റെഗുലേറ്റർമാർ ഇതുവരെ നൽകിയിട്ടില്ലാത്തതിനാൽ, ഒരു AI പരീക്ഷണത്തിൽ സുരക്ഷാ പ്രശ്നങ്ങൾ ഉണ്ടായാൽ അതിന്റെ ഉത്തരവാദിത്തം ആർക്കാണെന്ന ചോദ്യവും ഉയരുന്നുണ്ട്.

മറ്റൊരു വെല്ലുവിളി സംയോജനമാണ് (Integration). നിലവിലുള്ള ലബോറട്ടറി ഇൻഫർമേഷൻ മാനേജ്‌മെന്റ് സിസ്റ്റങ്ങളും (LIMS) ഇലക്ട്രോണിക് ലാബ് നോട്ട്ബുക്കുകളും മനുഷ്യകേന്ദ്രീകൃതമായ പ്രവർത്തനരീതിയിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്. ഒരു സ്വയം പ്രവർത്തിക്കുന്ന ഏജന്റിനെ അത്തരം ഒരു സംവിധാനത്തിലേക്ക് ചേർക്കുന്നതിന് വലിയ തോതിലുള്ള മാറ്റങ്ങൾ ആവശ്യമായി വന്നേക്കാം, കൂടാതെ ഇതിന്റെ ചെലവ് എത്രയാണെന്നതിനെക്കുറിച്ച് വിവരങ്ങൾ പുറത്തുവിട്ടിട്ടില്ല.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • പ്രകടന അളവുകോലുകൾ (Performance benchmarks) – ലണ്ടൻ ഹബ്ബിൽ നിന്നുള്ള ആദ്യകാല പഠനങ്ങൾ, ഏജന്റുകൾക്ക് ലക്ഷ്യനിർണ്ണയത്തിൽ (target selection) നിന്ന് രാസപരമായി ഫലപ്രദമായ ഒരു ലീഡിലേക്ക് (chemically viable lead) എത്ര വേഗത്തിൽ നീങ്ങാൻ കഴിയുമെന്നും, അത് പരമ്പരാഗത രീതികളുമായി (traditional pipelines) താരതമ്യം ചെയ്യുമ്പോൾ എങ്ങനെയാണെന്നും വെളിപ്പെടുത്തും.
  • നിയന്ത്രണപരമായ പ്രതികരണം (Regulatory response) – AI നിർമ്മിച്ച ഘടകങ്ങൾ (candidates) ക്ലിനിക്കൽ ട്രയലുകളിൽ പ്രവേശിക്കുമ്പോൾ, അവയുടെ അടിസ്ഥാനപരമായ AI പ്രക്രിയകളെ എങ്ങനെ വിലയിരുത്തണമെന്ന് നിയന്ത്രണ ഏജൻസികൾ തീരുമാനിക്കേണ്ടി വരും. ഏത് മാർഗ്ഗനിർദ്ദേശവും ഈ വ്യവസായത്തിന് മുഴുവൻ പുതിയ മാതൃകകൾ സൃഷ്ടിച്ചേക്കാം.
  • മത്സരപരമായ പ്രത്യാഘാതങ്ങൾ (Competitive ripple effects) – സമാനമായ AI-ആദ്യ തന്ത്രങ്ങൾ (AI-first strategies) പരീക്ഷിക്കുന്നതിനെക്കുറിച്ച് മറ്റ് വലിയ ഫാർമ കമ്പനികളും സൂചന നൽകിയിട്ടുണ്ട്. Novo Nordisk അളക്കാവുന്ന വേഗതയോ ചെലവ് കുറയ്ക്കലോ തെളിയിച്ചാൽ, ബയോടെക് കമ്പനികളും പ്രധാന ക്ലൗഡ് സേവനദാതാക്കളും തമ്മിലുള്ള പങ്കാളിത്തങ്ങളുടെ ഒരു പരമ്പര നമുക്ക് പ്രതീക്ഷിക്കാം.
  • പ്രതിഭകളുടെ പ്രവാഹം (Talent flows) – ഈ സഹകരണം ബയോളജിയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന AI ഗവേഷകരെ ആകർഷിച്ചേക്കാം, ഇത് നിയമന രീതികളെ പുനർനിർമ്മിക്കുകയും അക്കാദമിക് പ്രോഗ്രാമുകൾ “ലൈഫ് സയൻസുകൾക്കായുള്ള ഏജന്റിക്കൽ AI” (agentic AI for life sciences) എന്നതിന് ഊന്നൽ നൽകാൻ പ്രേരിപ്പിക്കുകയും ചെയ്തേക്കാം.

ചുരുക്കത്തിൽ

AWS-യുമായുള്ള Novo Nordisk-ന്റെ സഖ്യം മരുന്ന് കണ്ടുപിടുത്തത്തിലെ (drug discovery) ചർച്ചകളെ “AI നമുക്ക് എന്ത് പറഞ്ഞുതരാൻ കഴിയും?” എന്നതിൽ നിന്ന് “AI നമുക്ക് വേണ്ടി എന്ത് ചെയ്യാൻ കഴിയും?” എന്നതിലേക്ക് മാറ്റുന്നു. പ്രവർത്തനങ്ങൾ സ്വയംഭരണാധികാരമുള്ള ഏജന്റുകൾക്ക് (autonomous agents) കൈമാറുന്നതിലൂടെ, ചരിത്രപരമായി ദൈർഘ്യമേറിയതും ചെലവേറിയതുമായ ഒരു പ്രക്രിയയെ കൂടുതൽ കാര്യക്ഷമവും ആവർത്തന സ്വഭാവമുള്ളതുമായ (iterative) ഒരു ചക്രമാക്കി ചുരുക്കുകയാണ് ഈ പങ്കാളിത്തത്തിന്റെ ലക്ഷ്യം. ഇതിന്റെ വിജയം പുതിയ ചികിത്സകൾ രോഗികളിലേക്ക് എത്ര വേഗത്തിൽ എത്തുന്നു എന്നതിനെ പുനർനിർവചിച്ചേക്കാം, എന്നാൽ ഇത് ശക്തമായ മൂല്യനിർണ്ണയം (robust validation), നിയന്ത്രണപരമായ വ്യക്തത (regulatory clarity), നിലവിലുള്ള ലാബ് വർക്ക്ഫ്ലോകളിലേക്ക് AI ഏജന്റുകളെ സംയോജിപ്പിക്കാനുള്ള കഴിവ് എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. ലണ്ടൻ ഹബ്ബിന്റെ ആദ്യ ഫലങ്ങൾ വ്യവസായം സൂക്ഷ്മമായി നിരീക്ഷിക്കും; അവ അടുത്ത തലമുറയിലെ AI അധിഷ്ഠിത വൈദ്യശാസ്ത്രത്തിന്റെ മാനദണ്ഡമായി മാറിയേക്കാം.