അവഗണിക്കപ്പെട്ട രോഗങ്ങളെ ലക്ഷ്യമിട്ട് മരുന്ന് കണ്ടുപിടുത്ത രംഗത്തേക്ക് Anthropic പ്രവേശിക്കുന്നു

പരമ്പരാഗത വലിയ ഫാർമ കമ്പനികൾ (Big Pharma) ലാഭകരമല്ലെന്ന് കരുതുന്ന അവഗണിക്കപ്പെട്ട രോഗങ്ങളെ ലക്ഷ്യമിട്ടുള്ള പ്രത്യേക മരുന്ന് കണ്ടുപിടുത്ത പരിപാടികൾ ആരംഭിച്ചുകൊണ്ട് Anthropic തങ്ങളുടെ പ്രവർത്തന മേഖല LLM-കൾക്ക് അപ്പുറത്തേക്ക് വ്യാപിപ്പിക്കുന്നു. പ്രീക്ലിനിക്കൽ ഗവേഷണം വേഗത്തിലാക്കാനും യഥാർത്ഥ ജൈവ ഡാറ്റയിലൂടെ (biological data) AI മോഡലുകൾ പരിഷ്കരിക്കാനും കമ്പനിയുടെ പുതിയ "Claude Science" ടൂൾ ഈ തന്ത്രപരമായ നീക്കത്തിലൂടെ ഉപയോഗപ്പെടുത്തുന്നു.

Claude Science: ജൈവപരമായ ഉൾക്കാഴ്ചകൾ വേഗത്തിലാക്കുന്നു

സങ്കീർണ്ണമായ ശാസ്ത്രീയ യുക്തികൾ കൈകാര്യം ചെയ്യാൻ രൂപകൽപ്പന ചെയ്ത "Claude Science" എന്ന AI ടൂളിന്റെ അവതരണത്തോടൊപ്പമാണ് ഈ പരിപാടികളുടെ പ്രഖ്യാപനം ഉണ്ടായത്. ഈ ടൂളിന്റെ പ്രായോഗിക ഉപയോഗം ശ്രദ്ധേയമായ ഉദാഹരണങ്ങളിലൂടെ Anthropic തെളിയിച്ചു: UCSF-യിലെ ഒരു ഗവേഷകൻ Claude Science ഉപയോഗിച്ച് മിനിറ്റുകൾക്കുള്ളിൽ ഒരു വൈറൽ മലിനീകരണം (viral contamination) കണ്ടെത്തി—ഒരു മനുഷ്യ സംഘത്തിന് ഒരു വർഷം മുഴുവൻ ശ്രദ്ധിക്കാതെ പോയ ഒരു പിശകാണിത്. കൂടാതെ, ഒരു മണിക്കൂറിൽ താഴെ സമയം കൊണ്ട് ഈ മോഡൽ 100 അപൂർവ ജനിതക രോഗങ്ങളെ വിശകലനം ചെയ്യുകയും കമ്പ്യൂട്ടേഷണൽ സ്ക്രീനിംഗിനായി 32 രോഗസാധ്യതകളെ വിജയകരമായി അടയാളപ്പെടുത്തുകയും ചെയ്തു.

മരുന്ന് വികസനത്തിന്റെ ആദ്യ ഘട്ടങ്ങളിൽ നേരിട്ട് ഏർപ്പെടുന്നതിലൂടെ, വെറ്റ് ലാബിലെ (wet lab) നേരിട്ടുള്ള അനുഭവങ്ങൾ ഉപയോഗിച്ച് കൂടുതൽ ശേഷിയുള്ളതും ശാസ്ത്രീയമായി കൃത്യതയുള്ളതുമായ AI മോഡലുകൾ നിർമ്മിക്കാനും ഡിജിറ്റൽ യുക്തിയും ജൈവ യാഥാർത്ഥ്യവും തമ്മിലുള്ള അകലം കുറയ്ക്കാനും Anthropic ലക്ഷ്യമിടുന്നു.

വികസന കാലയളവും കാലതാമസവും കുറയ്ക്കുന്നു

ഫാർമസ്യൂട്ടിക്കൽ വ്യവസായം നിലവിൽ വലിയ അക്ഷമതകൾ നേരിടുന്നുണ്ട്. ഒരു മരുന്ന് അംഗീകാരത്തിനായി എത്തിക്കുന്നതിന് സാധാരണയായി പന്ത്രണ്ട് വർഷം എടുക്കുമെന്നും, വിവരങ്ങളുടെ ലഭ്യതയിലുള്ള കാലതാമസം (information latency), പ്രവർത്തനപരമായ കാലതാമസം (operational latency), ജൈവപരമായ കാലതാമസം (biological latency) എന്നിവ ഈ പ്രക്രിയയെ തടസ്സപ്പെടുത്തുന്നുവെന്നും Novartis CEO Vas Narasimhan ചൂണ്ടിക്കാട്ടി.

ജൈവപരമായ കാലതാമസം (ക്ലിനിക്കൽ പരീക്ഷണങ്ങളും മൃഗപരിശോധനകളും) കുറയ്ക്കുക പ്രയാസമാണെങ്കിലും, വികസന ചക്രത്തിന്റെ ഏകദേശം 40% വരുന്ന ആദ്യ രണ്ട് വിഭാഗങ്ങളെ AI ലക്ഷ്യം വെച്ചേക്കാം. പന്ത്രണ്ട് വർഷം നീണ്ടുനിൽക്കുന്ന മൊത്തം കാലയളവിനെ ഏഴ് അല്ലെങ്കിൽ എട്ട് വർഷമായി കുറയ്ക്കുക എന്നതാണ് Anthropic-ന്റെ സമീപനം. കൂടാതെ, തന്മാത്രാ ഗുണങ്ങൾ (molecular properties) ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിലൂടെയും സുരക്ഷാ പ്രവചനങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിലൂടെയും, നിലവിലെ 8% ആയ മരുന്ന് വിജയ നിരക്ക് 16% ആയി ഇരട്ടിയാക്കാൻ AI-ക്ക് സാധിച്ചേക്കും. വ്യവസായം പ്രതിവർഷം 150 മുതൽ 200 ബില്യൺ ഡോളർ വരെ R&D-ക്കായി ചെലവഴിച്ചിട്ടും കുറഞ്ഞ ഫലം മാത്രമേ ലഭിക്കുന്നുള്ളൂ എന്നതനുസരിച്ച്, ഈ ചെറിയ പുരോഗതി പോലും ചികിത്സാപരമായ സാധ്യതകളിൽ വലിയ മാറ്റം കൊണ്ടുവരും.

ആരോഗ്യമേഖലയിലെ വളരുന്ന AI മത്സരങ്ങൾ

Anthropic-ന്റെ ഈ നീക്കം അതിനെ അതിവേഗം മാറിക്കൊണ്ടിരിക്കുന്ന ബയോടെക് മേഖലയിലെ നേരിട്ടുള്ള മത്സരത്തിലേക്കും സഹകരണത്തിലേക്കും എത്തിക്കുന്നു. ഈ മേഖലയിലെ പ്രമുഖ കമ്പനികൾ ഇതിനകം തന്നെ പ്രത്യേക മോഡലുകൾ വിന്യസിച്ചു തുടങ്ങിയിട്ടുണ്ട്:

• Google DeepMind & Isomorphic Labs: മരുന്ന് കണ്ടുപിടുത്തത്തിൽ വിപ്ലവം സൃഷ്ടിക്കാൻ പ്രോട്ടീൻ ഘടന പ്രവചിക്കുന്നതിനായി AlphaFold ഉപയോഗിക്കുന്നു.
• OpenAI: മെഡിക്കൽ റെക്കോർഡുകളും Apple Health ഡാറ്റയും സംയോജിപ്പിക്കുന്ന ChatGPT Health വഴി രോഗി കേന്ദ്രീകൃതമായ ടൂളുകളിലേക്ക് പ്രവർത്തനം വ്യാപിപ്പിക്കുന്നു.
• Google DeepMind (Clinical): ഡോക്ടർമാരെ പിന്തുണയ്ക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത "AI Co-Clinician" മോഡലുകളിലേക്ക് നീങ്ങുന്നു.

വിപ്ലവകരമായ ചികിത്സാ രീതികൾക്കുള്ള സാധ്യതകൾ വലുതാണെങ്കിലും, യഥാർത്ഥ ക്ലിനിക്കൽ പ്രയോഗങ്ങളിലെ "അലങ്കോലവും സങ്കീർണ്ണവുമായ മനുഷ്യലോകത്തെ" കൈകാര്യം ചെയ്യാൻ AI മോഡലുകൾക്ക് കഴിയുമെന്ന് തെളിയിക്കണമെന്ന ഓക്സ്ഫോർഡ് സർവകലാശാലയിലെ Catherine Pope പോലുള്ള വിദഗ്ധർ മുന്നറിയിപ്പ് നൽകുന്നു.

പ്രധാന കാര്യങ്ങൾ

• ലാഭകരമല്ലാത്ത മേഖലകളെ ലക്ഷ്യം വെക്കുന്നു: തങ്ങളുടെ ദൗത്യം നിറവേറ്റുന്നതിനും മോഡൽ പരിശീലനത്തിനായി ഉയർന്ന നിലവാരമുള്ള ജൈവ ഡാറ്റ ശേഖരിക്കുന്നതിനുമായി Anthropic അവഗണിക്കപ്പെട്ട രോഗങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
• കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നു: AI അധിഷ്ഠിത മരുന്ന് കണ്ടുപിടുത്തം വികസന കാലയളവ് നാല് വർഷം വരെ കുറയ്ക്കാനും ക്ലിനിക്കൽ വിജയ നിരക്ക് ഇരട്ടിയാക്കാനും ലക്ഷ്യമിടുന്നു.
• ശാസ്ത്രീയമായ സാധ്യതാ തെളിവുകൾ: ഒരു മണിക്കൂറിൽ താഴെ സമയം കൊണ്ട് 100 അപൂർവ രോഗങ്ങളെ വിശകലനം ചെയ്യുന്നത് പോലുള്ള സങ്കീർണ്ണമായ ജോലികൾ ചെയ്യാൻ Claude Science പോലുള്ള ടൂളുകൾക്ക് കഴിയുമെന്ന് ഇതിനകം തെളിയിക്കപ്പെട്ടുകഴിഞ്ഞു.