AI औषध शोध प्रक्रियेत (Drug Discovery) कशी क्रांती घडवून आणत आहे

४६ दिवस.

फायब्रोसिससाठी (fibrosis) नवीन औषध शोधण्यासाठी एका AI प्रणालीला इतकाच वेळ लागला.

उद्योगाचा मानक वेळ ५ वर्षे आणि खर्च २ अब्ज डॉलर्स आहे.

AI ने केवळ प्रक्रिया सुधारली नाही, तर ती ४० पटीने वेगवान केली.

हे आता प्रत्यक्षात घडत आहे. Insilico Medicine ने ४६ दिवसांत औषध शोधण्यासाठी generative AI चा वापर केला. तेव्हापासून, AI द्वारे डिझाइन केलेली औषधे Phase II क्लिनिकल ट्रायल्समध्ये प्रवेश करत आहेत.

DeepMind ने २०२४ मध्ये AlphaFold 3 लाँच केले. हे काही सेकंदात प्रथिने (proteins), DNA आणि RNA च्या 3D रचनांचा अंदाज वर्तवते. हे काम पूर्ण करण्यासाठी पीएचडी विद्यार्थ्यांना पूर्वी अनेक वर्षे लागायची.

पारंपारिक औषध शोध प्रक्रिया संथ आणि खर्चिक आहे:

  • टार्गेट आयडेंटिफिकेशन (Target identification): २ ते ३ वर्षे संशोधन.
  • हिट डिस्कव्हरी (Hit discovery): लाखो संयुगांच्या (compounds) चाचणीसाठी १ ते २ वर्षे.
  • लीड ऑप्टिमायझेशन (Lead optimization): रासायनिक बदलांसाठी २ ते ३ वर्षे.
  • प्रीक्लिनिकल टेस्टिंग (Preclinical testing): प्राण्यांवरील मॉडेल्ससाठी १ ते २ वर्षे.
  • क्लिनिकल ट्रायल्स (Clinical trials): मानवी चाचणीसाठी ६ ते ७ वर्षे.

याचा परिणाम ९०% अपयश दर आणि प्रचंड खर्च या स्वरूपात होतो.

AI प्रत्येक टप्प्यावर ही प्रक्रिया बदलत आहे:

  • टार्गेट आयडेंटिफिकेशन (Target Identification): रोगाचे दुवे शोधण्यासाठी AI मॉडेल्स जीनोमिक्स (genomics) आणि प्रोटिओमिक्स (proteomics) चे विश्लेषण करतात. ग्राफ न्यूरल नेटवर्क्स (Graph neural networks) असे टार्गेट्स शोधतात जे मानवाकडून सुटतात.
  • रेणू डिझाइन (Molecule Design): जुन्या संयुगांची चाचणी करण्याऐवजी, generative AI नवीन संयुगे तयार करते. VAEs आणि GANs सारखी मॉडेल्स विशिष्ट गुणधर्म असलेले रेणू डिझाइन करतात.
  • स्ट्रक्चर प्रेडिक्शन (Structure Prediction): औषध डिझाइन करण्यासाठी आवश्यक असलेले 3D नकाशे AlphaFold 3 प्रदान करते. रेणू प्रथिने (proteins) यांच्याशी कसे जोडले जातात, हे ते त्वरित दाखवते.

आकडेवारी या बदलाचे दर्शन घडवते:

  • टार्गेट-टू-लीड वेळ: ३ ते ५ वर्षे विरुद्ध १२ ते १८ महिने.
  • स्क्रीन केलेले संयुगे: १,००,००० विरुद्ध १ अब्जाहून अधिक व्हर्च्युअल संयुगे.
  • क्लिनिकल यश: अंदाजे १०% विरुद्ध सुरुवातीच्या डेटातील २०%.

जर तुम्ही सॉफ्टवेअर इंजिनिअर असाल, तर या क्षेत्राला तुमची गरज आहे. औषध शोध ही आता डेटा आणि कम्प्युट (compute) ची समस्या बनली आहे.

तुम्ही यापासून सुरुवात करू शकता:

  • SMILES strings: रेणूंसाठीचा टेक्स्ट फॉरमॅट.
  • RDKit: केमिस्ट्रीसाठी एक Python लायब्ररी.
  • पब्लिक डेटासेट्स: ChEMBL आणि PubChem.
  • प्री-ट्रेन्ड मॉडेल्स: HuggingFace वरील ChemBERTa.

AI रातोरात सर्व काही बरे करणार नाही. डेटाची गुणवत्ता आणि सिंथेटिकमधील अडचणी यांसारखी आव्हाने अजूनही कायम आहेत. परंतु हा बदल कायमस्वरूपी आहे. AI औषधोपचार अधिक वेगवान आणि पद्धतशीर बनवत आहे.

AI विज्ञानातील कोणता क्षेत्र तुम्हाला सर्वात जास्त उत्साहित करते? मला कमेंट्समध्ये सांगा.

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

Optional learning community: https://t.me/GyaanSetuAi