പരമ്പരാഗത ഫാർമസ്യൂട്ടിക്കൽ ആർ ആൻഡ് ഡി (R&D) പ്രക്രിയ അതിന്റെ ദീർഘമായ സമയപരിധിയും അമിതമായ ചെലവും കാരണം ഏറെ പ്രശസ്തമാണ്, എന്നാൽ കിഴക്കൻ രാജ്യങ്ങളിൽ ഇതിൽ വലിയൊരു മാറ്റം സംഭവിച്ചുകൊണ്ടിരിക്കുന്നു. ജനറേറ്റീവ് എഐയും (Generative AI) ഓട്ടോമേറ്റഡ് ലബോറട്ടറി ഗവേഷണവും സംയോജിപ്പിക്കുന്നതിലൂടെ, ബയോടെക് നവീനതകൾ മരുന്നുകൾ കണ്ടെത്തുന്നതിനുള്ള സമയം വർഷങ്ങളിൽ നിന്ന് മാസങ്ങളായി കുറയ്ക്കുന്നു.

Insilico Medicine AI അധിഷ്ഠിത R&D-ലൂടെ റെക്കോർഡുകൾ തകർക്കുന്നു

ഈ സാങ്കേതിക മാറ്റത്തിന് നേതൃത്വം നൽകുന്നത് ഹോങ്കോങ് ലിസ്റ്റഡ് ബയോടെക്നോളജി കമ്പനിയായ Insilico Medicine ആണ്. മരുന്ന് വികസനത്തിന്റെ വേഗത ഇവർ പുനർനിർവചിക്കുകയാണ്. സിഇഒ അലക്സ് സാവോറോൻകോവ് (Alex Zhavoronkov) പറയുന്നതനുസരിച്ച്, മരുന്ന് വികസനത്തിനായുള്ള സമയപരിധി ഏകദേശം ഒരു വർഷമായി കുറയ്ക്കാൻ കമ്പനിക്ക് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കാൻ സാധിച്ചു.

ഈ കാര്യക്ഷമത വെറും സിദ്ധാന്തങ്ങൾ മാത്രമല്ല; അത് യഥാർത്ഥ നേട്ടങ്ങളായും കാണപ്പെടുന്നു. കമ്പനിയുടെ സാധാരണ വികസന ചക്രം ഏകദേശം 13 മാസമാണെങ്കിലും, Insilico Medicine-ന്റെ ഏറ്റവും വേഗതയേറിയ പ്രോഗ്രാം വെറും ഒമ്പത് മാസത്തിനുള്ളിൽ മരുന്ന് ഉദ്യോഗാർത്ഥികളെ (candidate nomination) കണ്ടെത്തി. അത്യാധുനിക AI മോഡലുകളും കർശനമായ ലബോറട്ടറി പരിശോധനകളും സംയോജിപ്പിക്കുന്നതിലൂടെയാണ് ഈ കുതിച്ചുചാട്ടം സാധ്യമായത്. ഇത് ഡിജിറ്റൽ അനുമാനങ്ങളിൽ നിന്ന് ഭൗതിക തന്മാത്രകളിലേക്കുള്ള മാറ്റം വേഗത്തിലാക്കുന്നു.

ജനറേറ്റീവ് എഐയും ലബോറട്ടറി ഗവേഷണവും തമ്മിലുള്ള സമന്വയം

ഈ മുന്നേറ്റത്തിന്റെ കാതൽ കമ്പ്യൂട്ടേഷണൽ പവറും ബയോളജിക്കൽ പരീക്ഷണങ്ങളും തമ്മിലുള്ള കൂടിച്ചേരലാണ്. വലിയ ശാരീരിക ലൈബ്രറികളുടെ ഹൈ-ത്രൂപുട്ട് സ്ക്രീനിംഗിനെ ആശ്രയിക്കുന്ന പരമ്പരാഗത രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, ജനറേറ്റീവ് മോഡലുകൾ ഉപയോഗിച്ച് പ്രത്യേക ബയോളജിക്കൽ ഗുണങ്ങളുള്ള പുതിയ തന്മാത്രകൾ രൂപകൽപ്പന ചെയ്യാൻ ഈ AI അധിഷ്ഠിത സമീപനത്തിന് സാധിക്കുന്നു.

തന്മാത്രകൾ ലാബിൽ നിർമ്മിക്കുന്നതിന് മുമ്പ് തന്നെ അവ ലക്ഷ്യമിടുന്ന പ്രോട്ടീനുകളുമായി എങ്ങനെ പ്രതിപ്രവർത്തിക്കുമെന്ന് പ്രവചിക്കുന്നതിലൂടെ, ആയിരക്കണക്കിന് പരാജയപ്പെട്ട പരീക്ഷണങ്ങൾ ഒഴിവാക്കാൻ ഗവേഷകർക്ക് കഴിയുന്നു. ഈ AI പ്രവചനങ്ങൾ ഓട്ടോമേറ്റഡ് ലബോറട്ടറി വർക്ക്ഫ്ലോകളുമായി (ഇതിനെ പലപ്പോഴും "ക്ലോസ്ഡ്-ലൂപ്പ്" സിസ്റ്റങ്ങൾ എന്ന് വിളിക്കുന്നു) സംയോജിപ്പിക്കുമ്പോൾ, ഒരു മരുന്ന് ഉദ്യോഗാർത്ഥിയെ ശരിയാണെന്ന് ഉറപ്പുവരുത്തുന്ന പ്രക്രിയ അഭൂതപൂർവമായ വേഗതയിൽ നടക്കുന്നു. ഇത് ശാസ്ത്രജ്ഞർക്ക് ഏറ്റവും പ്രതീക്ഷയുള്ള മേഖലകളിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ സഹായിക്കുന്നു, ഇത് പരമ്പരാഗത മരുന്ന് കണ്ടുപിടുത്തത്തിലെ "ട്രയൽ ആൻഡ് എറർ" (trial and error) ഘട്ടം ഗണ്യമായി കുറയ്ക്കുന്നു.

ആഗോള AI, ബയോടെക് മേഖലകളിൽ ഇതിനുള്ള പ്രത്യാഘാതങ്ങൾ

ചൈനയിൽ കാണുന്ന ഈ വിജയം ആഗോള ബയോടെക്നോളജി മേഖലയ്ക്ക് ഒരു ശക്തമായ തെളിവാണ്. AI മോഡലുകൾ രാസപരിശോധനകളിൽ കൂടുതൽ പ്രാവീണ്യം നേടുമ്പോൾ, മരുന്ന് കണ്ടുപിടുത്തത്തിലെ "ഡെത്ത് വാലി" (death valley) - അതായത് വിഷാംശം മൂലമോ ഫലപ്രാപ്തിയില്ലായ്മ മൂലമോ മിക്ക മരുന്നുകളും പരാജയപ്പെടുന്ന ഘട്ടം - കുറഞ്ഞുവരികയാണ്.

ഡീപ് ടെക് മേഖലയിലെ ഡെവലപ്പർമാർക്കും സ്ഥാപകർക്കും ഈ വികസനം ഒരു പ്രധാന പ്രവണതയെ ചൂണ്ടിക്കാണിക്കുന്നു: ഏറ്റവും മൂല്യവത്തായ AI ആപ്ലിക്കേഷനുകൾ ടെക്സ്റ്റ്, ഇമേജ് ജനറേഷനിൽ നിന്ന് മാറി "ഫിസിക്കൽ AI" (physical AI) മേഖലകളിലേക്ക് മാറിക്കൊണ്ടിരിക്കുകയാണ്. ബയോളജിക്കൽ ഡാറ്റ കൈകാര്യം ചെയ്യാനും ഭൗതിക ഫലങ്ങൾ പ്രവചിക്കാനുമുള്ള കഴിവ് വലിയ സാമ്പത്തിക പ്രത്യാഘാതങ്ങൾ ഉണ്ടാക്കും. ഇത് അപൂർവ രോഗങ്ങൾ ചികിത്സിക്കുന്നതിനുള്ള തടസ്സങ്ങൾ കുറയ്ക്കാനും ആഗോളതലത്തിൽ ആരോഗ്യപരിചരണത്തിന്റെ മൊത്തത്തിലുള്ള ചെലവ് കുറയ്ക്കാനും സഹായിക്കും.

പ്രധാന കാര്യങ്ങൾ

  • സമയത്തിലുണ്ടായ വലിയ കുറവ്: മരുന്ന് ഉദ്യോഗാർത്ഥികളെ കണ്ടെത്തുന്നതിനുള്ള സമയം ഒമ്പത് മാസം വരെ കുറയ്ക്കാൻ AI സാധിക്കുമെന്ന് Insilico Medicine തെളിയിച്ചു.
  • ഹൈബ്രിഡ് രീതിശാസ്ത്രം: ജനറേറ്റീവ് AI ഡിസൈനും ഓട്ടോമേറ്റഡ് ലബോറട്ടറി പരിശോധനയും സംയോജിപ്പിച്ചാണ് ഈ മുന്നേറ്റം സാധ്യമായത്. ഇത് പരമ്പരാഗത പരീക്ഷണ രീതികളിൽ നിന്ന് വ്യത്യസ്തമാണ്.
  • R&D സാമ്പത്തിക രംഗത്തെ മാറ്റം: കണ്ടുപിടുത്ത ഘട്ടത്തിൽ വർഷങ്ങളിൽ നിന്ന് മാസങ്ങളിലേക്കുള്ള മാറ്റം, ബയോടെക്നോളജി കമ്പനികൾ അവരുടെ മൂലധനവും ഗവേഷണ വേഗതയും കൈകാര്യം ചെയ്യുന്ന രീതിയിൽ വലിയൊരു മാറ്റം സൂചിപ്പിക്കുന്നു.

വേഗത എന്തിനാണ് പ്രധാനം

മരുന്ന് കണ്ടുപിടുത്തം എന്നത് ദീർഘകാലം നീണ്ടുനിൽക്കുന്ന ഒരു ഓട്ടമത്സരം പോലെയാണ്. കമ്പനികൾ ദശലക്ഷക്കണക്കിന് സംയുക്തങ്ങൾ പരിശോധിക്കാൻ വർഷങ്ങൾ ചെലവഴിക്കുന്നു, പലപ്പോഴും ഒരു തന്മാത്ര ക്ലിനിക്കൽ പരിശോധനയിൽ എത്തുന്നതിന് മുമ്പ് തന്നെ പരാജയപ്പെടുന്നു. ഒരു തന്മാത്ര ആശയത്തിൽ നിന്ന് വിപണിയിൽ എത്തുന്നതിനായുള്ള ചെലവ് കോടിക്കണക്കിന് രൂപയായി ഉയരുന്നു, കൂടാതെ പരാജയ നിരക്കും വളരെ കൂടുതലാണ്. ചൈനയിൽ ബയോടെക് മേഖല അതിവേഗം വളരുകയാണ്, വേഗതയേറിയ ഒരു പ്രക്രിയ ആഭ്യന്തര കമ്പനികൾക്ക് ആഗോള കമ്പനികളേക്കാൾ മുൻതൂക്കം നൽകാനും നൂതന ചികിത്സാ രംഗത്ത് രാജ്യത്തിന്റെ ലക്ഷ്യങ്ങൾ വേഗത്തിലാക്കാനും സഹായിക്കും.

Insilico എങ്ങനെയാണ് 9 മാസത്തെ ലക്ഷ്യത്തിലെത്തിയത്

ഹോങ്കോങ്ങിൽ ലിസ്റ്റ് ചെയ്തിട്ടുള്ള Insilico Medicine, ഈ റെക്കോർഡ് സമയപരിധിക്ക് കാരണം ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസും (Generative AI) ഓട്ടോമേറ്റഡ് ലബോറട്ടറി വർക്ക്ഫ്ലോകളും ചേർന്ന പ്രവർത്തനമാണെന്ന് പറയുന്നു. നിലവിലുള്ള തന്മാത്രകളെ വിലയിരുത്തുന്നതിന് പകരം പുതിയ തന്മാത്രാ ഘടനകൾ (molecular structures) നിർമ്മിക്കുന്ന മോഡലുകളെയാണ് ജനറേറ്റീവ് AI എന്ന് പറയുന്നത്. പ്രോട്ടീൻ ടാർഗറ്റുകളെക്കുറിച്ചും (protein targets) ആവശ്യമുള്ള ഫാർമക്കോളജിക്കൽ ഗുണങ്ങളെക്കുറിച്ചുമുള്ള വിവരങ്ങൾ അൽഗോരിതത്തിന് നൽകുന്നതിലൂടെ, ഫലപ്രദമായി ബന്ധിപ്പിക്കാൻ കഴിയുമെന്ന് പ്രവചിക്കപ്പെടുന്ന പുതിയ സംയുക്തങ്ങൾ (compounds) ഈ സിസ്റ്റം നിർദ്ദേശിക്കുന്നു.

കമ്പനി സിഇഒ ആയ അലക്സ് സാവോറോങ്കോവ് (Alex Zhavoronkov) പറയുന്നത്, ഈ പ്ലാറ്റ്‌ഫോം സാധാരണയായി ഒരു പ്രോജക്റ്റിനെ ടാർഗെറ്റ് ഐഡന്റിഫിക്കേഷനിൽ നിന്ന് കാൻഡിഡേറ്റ് നോമിനേഷനിലേക്ക് എത്തിക്കാൻ ഏകദേശം 13 മാസം എടുക്കുന്നു എന്നാണ്. ഏറ്റവും വേഗമേറിയ ഘട്ടത്തിൽ, ഈ പ്രക്രിയ ഒൻപത് മാസത്തിനുള്ളിൽ പൂർത്തിയായി. പരമ്പരാഗതമായ ഹൈ-ത്രൂപുട്ട് സ്ക്രീനിംഗുകൾ (high-throughput screening) ആശ്രയിക്കുന്ന വലിയ ഫിസിക്കൽ ലൈബ്രറികൾ ഒഴിവാക്കി എന്നതാണ് ഈ സമയക്കുറവിന് കാരണം; പകരം, AI കമ്പ്യൂട്ടറിൽ തന്മാത്രകൾ രൂപകൽപ്പന ചെയ്യുകയും, സാധ്യതയില്ലാത്തവയെ ഒഴിവാക്കുകയും, ഏറ്റവും മികച്ച ഘടനകളെ മാത്രം ലാബിലേക്ക് അയക്കുകയും ചെയ്യുന്നു.

AI-ലാബ് ഫീഡ്‌ബാക്ക് ലൂപ്പ്

ഒരു തന്മാത്ര നിർമ്മിക്കപ്പെട്ടുകഴിഞ്ഞാൽ, ഓട്ടോമേറ്റഡ് ഉപകരണങ്ങൾ അതിന്റെ പ്രവർത്തനം, വിഷാംശം (toxicity), മറ്റ് പ്രധാന മാനദണ്ഡങ്ങൾ എന്നിവ പരിശോധിക്കുന്നു. ഈ ഫലങ്ങൾ വീണ്ടും AI-ലേക്ക് നൽകുന്നതിലൂടെ അടുത്ത ഘട്ടത്തിനായുള്ള പ്രവചനങ്ങൾ കൂടുതൽ കൃത്യമാക്കുന്നു. ഈ "ക്ലോസ്ഡ്-ലൂപ്പ്" (closed-loop) സംവിധാനം വഴി ശാസ്ത്രജ്ഞർക്ക് പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള തെറ്റുകൾ തിരുത്തുന്നതിനായി (trial-and-error) കുറഞ്ഞ സമയം മതിയാകും; പകരം അൽഗോരിതം കണ്ടെത്തിയ വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ കൂടുതൽ സമയം ചെലവഴിക്കാൻ സാധിക്കുന്നു.

ഒരു സംയുക്തം നിർമ്മിക്കുന്നതിന് മുമ്പ് തന്നെ അത് എങ്ങനെ പ്രവർത്തിക്കുമെന്ന് പ്രവചിക്കുന്നതിലൂടെ, ലക്ഷ്യസ്ഥാനത്ത് എത്താത്ത ആയിരക്കണക്കിന് പരീക്ഷണങ്ങൾ ഒഴിവാക്കാൻ ഈ രീതിയിലൂടെ സാധിക്കുന്നു. അസ്സേകളുടെ (assays) ഓട്ടോമേഷൻ പരിശോധനാ ഘട്ടം (validation phase) കൂടുതൽ വേഗത്തിലാക്കുന്നു, ഇത് ഒരു കാൻഡിഡേറ്റിനെ കമ്പ്യൂട്ടറിൽ നിന്ന് ലാബിലേക്കും പിന്നീട് നോമിനേഷനിലേക്കും പരമ്പരാഗത സമയത്തിന്റെ ഒരു ചെറിയ ഭാഗത്തിനുള്ളിൽ എത്തിക്കാൻ സഹായിക്കുന്നു.

ആർക്കൊക്കെ നേട്ടമുണ്ടാകും, ആര് പിന്നിലാകും?

നേരെമറിച്ച്, പരമ്പരാഗത സ്ക്രീനിംഗ് രീതികളിൽ മാത്രം മുറുകെ പിടിക്കുന്ന കമ്പനികൾക്ക് ഈ വേഗതയ്‌ക്കൊപ്പം എത്താൻ കഴിഞ്ഞെന്നു വരില്ല.

മുൻകരുതലുകളും മുന്നോട്ടുള്ള പാതയും

AI ഉപയോഗിച്ച് വേഗത്തിലാക്കുന്ന ഈ കണ്ടെത്തലുകൾ കർശനമായ പരിശോധനകളുടെ (rigorous validation) ആവശ്യകത ഇല്ലാതാക്കുന്നില്ല. പ്രവചന മോഡലുകൾ (Predictive models) അവ പരിശീലിപ്പിക്കപ്പെട്ട ഡാറ്റയെ ആശ്രയിച്ചാണ് പ്രവർത്തിക്കുന്നത്; അതിനാൽ പരിശീലന ഡാറ്റയിലെ പക്ഷപാതങ്ങൾ (biases) സുരക്ഷാപരമായ മുന്നറിയിപ്പുകൾ വിട്ടുപോകാൻ കാരണമായേക്കാം. കൂടാതെ, ഒൻപത് മാസം എന്നത് ശ്രദ്ധേയമാണെങ്കിലും, അത് ഒരു പ്രോഗ്രാമിനെ മാത്രം സൂചിപ്പിക്കുന്നു; ഈ രീതി പല ലക്ഷ്യങ്ങളിലേക്ക് (multiple targets) വ്യാപിപ്പിക്കുമ്പോൾ ഇതുവരെ തിരിച്ചറിയാത്ത തടസ്സങ്ങൾ ഉണ്ടായേക്കാം.

ഇനി എന്താണ് ശ്രദ്ധിക്കേണ്ടത്?

ഒൻപത് മാസത്തെ ഈ നേട്ടം സൂചിപ്പിക്കുന്നത് മരുന്ന് കണ്ടുപിടിക്കൽ എന്ന കെമിസ്ട്രി ഇനി ലാബ് ബെഞ്ചുകളിൽ മാത്രം ഒതുങ്ങുന്നില്ല എന്നാണ്. അൽഗോരിതങ്ങൾക്ക് ഒരു തന്മാത്രയുടെ രൂപരേഖ തയ്യാറാക്കാനും യന്ത്രങ്ങൾക്ക് ദിവസങ്ങൾക്കുള്ളിൽ അത് പരിശോധിക്കാനും കഴിയുമ്പോൾ, മുഴുവൻ പ്രക്രിയയുടെയും സമയപരിധി കുറയുന്നു. ഈ വേഗത പുതിയൊരു മാനദണ്ഡമായി മാറുമോ എന്നത് കമ്പനികൾ, നിക്ഷേപകർ, നിയന്ത്രണ ഏജൻസികൾ, രോഗികൾ എന്നിവരടങ്ങുന്ന ആ വ്യവസ്ഥിതി (ecosystem), "ഫിസിക്കൽ AI" നാളത്തെ മരുന്നുകളുടെ ആദ്യ രൂപരേഖ തയ്യാറാക്കുന്ന ഒരു ലോകവുമായി എത്ര വേഗത്തിൽ പൊരുത്തപ്പെടുന്നു എന്നതിനെ ആശ്രയിച്ചിരിക്കും.