पारंपारिक फार्मास्युटिकल R&D प्रक्रिया तिच्या दशकानुदशकांच्या कालावधीसाठी आणि प्रचंड खर्चासाठी ओळखली जाते, परंतु पूर्वेकडील देशांमध्ये एक मोठा बदल घडत आहे. जनरेटिव्ह AI (Generative AI) आणि स्वयंचलित प्रयोगशाळा संशोधनाचे एकत्रीकरण करून, बायोटेक संशोधक सक्षम औषध उमेदवारांची (drug candidates) ओळख पटवण्यासाठी लागणारा वेळ वर्षांवरून केवळ काही महिन्यांवर आणत आहेत.

Insilico Medicine ने AI-चालित R&D मध्ये विक्रम मोडले

या तांत्रिक परिवर्तनाचे नेतृत्व Insilico Medicine करत आहे, ही हाँगकाँगमध्ये सूचीबद्ध असलेली एक बायोटेक्नॉलॉजी कंपनी असून ती औषध विकासाचा वेग पुन्हा परिभाषित करत आहे. CEO Alex Zhavoronkov यांच्या म्हणण्यानुसार, कंपनीने औषध विकास उमेदवारांसाठी लागणारा उत्पादन कालावधी अंदाजे एक वर्षापर्यंत कमी करण्यासाठी कृत्रिम बुद्धिमत्तेचा (AI) यशस्वीरित्या वापर केला आहे.

ही कार्यक्षमता केवळ सैद्धांतिक नाही; ती वास्तविक जगातील मानकांमध्ये दिसून येत आहे. कंपनीचा सामान्य विकास चक्र साधारणपणे १३ महिन्यांचे असले तरी, Insilico Medicine च्या सर्वात वेगवान प्रोग्रामने केवळ नऊ महिन्यांत उमेदवार नामांकनाचे (candidate nomination) लक्ष्य गाठले. अत्याधुनिक AI मॉडेल्स आणि कठोर प्रयोगशाळा प्रमाणीकरण (laboratory validation) यांच्या संयोगामुळे ही झेप शक्य झाली आहे, ज्यामुळे डिजिटल गृहितकापासून प्रत्यक्ष रेणू (physical molecule) तयार करण्यापर्यंतचा प्रवास वेगवान करणारा एक 'फीडबॅक लूप' तयार झाला आहे.

Generative AI आणि प्रयोगशाळा संशोधनातील समन्वय

या महत्त्वपूर्ण प्रगतीचा गाभा संगणकीय शक्ती आणि जैविक प्रयोग यांच्यातील समन्वयात आहे. मोठ्या भौतिक लायब्ररींच्या 'हाय-थ्रूपुट स्क्रीनिंग'वर अवलंबून असलेल्या पारंपारिक पद्धतींच्या उलट, AI-चालित दृष्टिकोन विशिष्ट जैविक गुणधर्म असलेले नवीन रेणू तयार करण्यासाठी जनरेटिव्ह मॉडेल्सचा वापर करतो.

रेणू प्रयोगशाळेत संश्लेषित (synthesize) करण्यापूर्वीच ते लक्ष्यित प्रथिनांशी (target proteins) कसे संवाद साधतील, याचे भाकीत करून संशोधक हजारो अयशस्वी प्रयोग टाळू शकतात. जेव्हा या AI अंदाजांचे स्वयंचलित प्रयोगशाळा कार्यप्रवाह—ज्याला अनेकदा "closed-loop" प्रणाली म्हटले जाते—सोबत एकत्रीकरण केले जाते, तेव्हा उमेदवाराच्या प्रमाणीकरणाची प्रक्रिया अभूतपूर्व वेगाने होते. हा समन्वय शास्त्रज्ञांना त्यांच्या मॅन्युअल प्रयत्नांवर सर्वात आशादायक प्रकरणांवर लक्ष केंद्रित करण्यास अनुमती देतो, ज्यामुळे पारंपारिक औषध शोध प्रक्रियेतील "प्रयत्न आणि चूक" (trial and error) टप्पा लक्षणीयरीत्या कमी होतो.

जागतिक AI आणि बायोटेक क्षेत्रासाठी याचे परिणाम

चीनमध्ये दिसून आलेले यश जागतिक बायोटेक्नॉलॉजी क्षेत्रासाठी एक शक्तिशाली 'प्रूफ ऑफ कन्सेप्ट' (proof of concept) म्हणून काम करते. जसे AI मॉडेल्स विशाल रासायनिक अवकाशात (chemical space) शोध घेण्यास अधिक सक्षम होत आहेत, तसतसे औषध शोध क्षेत्रातील "डेथ व्हॅली" (death valley)—ज्या काळात विषारीपणा किंवा परिणामकारकतेच्या अभावामुळे बहुतेक उमेदवार अपयशी ठरतात—ती कमी होऊ लागली आहे.

डीप टेक (deep tech) क्षेत्रातील डेव्हलपर्स आणि संस्थापकांसाठी, हा विकास एक महत्त्वाचा कल अधोरेखित करतो: सर्वात मौल्यवान AI अनुप्रयोग मजकूर आणि प्रतिमा निर्मितीच्या पलीकडे जाऊन "फिजिकल AI" (physical AI) क्षेत्राकडे वळत आहेत. जैविक डेटा हाताळण्याची आणि भौतिक परिणाम वर्तवण्याची क्षमता याचे प्रचंड आर्थिक परिणाम आहेत, ज्यामुळे दुर्मिळ आजारांवर उपचार करण्यासाठी लागणारा अडथळा कमी होऊ शकतो आणि जागतिक स्तरावर आरोग्य सेवेचा एकूण खर्च कमी होऊ शकतो.

मुख्य निष्कर्ष

  • वेळेत मोठी कपात: Insilico Medicine ने सिद्ध केले आहे की AI औषध उमेदवार नामांकनाचा कालावधी केवळ नऊ महिन्यांपर्यंत कमी करू शकते.
  • हायब्रिड कार्यपद्धती: ही प्रगती जनरेटिव्ह AI डिझाइन आणि स्वयंचलित प्रयोगशाळा प्रमाणीकरण यांच्या संयोगामुळे झाली आहे, ज्यामुळे पारंपारिक 'प्रयत्न आणि चूक' पद्धतींपासून दूर जाता आले आहे.
  • R&D अर्थशास्त्रातील बदल: शोध टप्प्यातील वर्षांवरून महिन्यांत झालेला बदल हा बायोटेक्नॉलॉजी कंपन्या भांडवल आणि संशोधन वेग कसा व्यवस्थापित करतात, यामध्ये एक मूलभूत बदल दर्शवतो.

वेग का महत्त्वाचा आहे

औषध शोध ही प्रदीर्घ काळ चालणारी प्रक्रिया राहिली आहे. कंपन्या लाखो संयुगांची (compounds) तपासणी करण्यासाठी वर्षे खर्च करतात, आणि अनेकदा एक रेणू क्लिनिकल चाचणीपर्यंत पोहोचण्यापूर्वीच अपयशी ठरतो. एखादा रेणू संकल्पनेपासून बाजारपेठेपर्यंत नेण्याचा खर्च नियमितपणे अब्जावधी डॉलर्सपर्यंत पोहोचतो आणि अपयशाचा दर—विशेषतः सुरुवातीच्या "शोध" टप्प्यात—उच्च राहतो. चीनमध्ये, जिथे बायोटेक क्षेत्र वेगाने विस्तारत आहे, जलद उत्पादन प्रक्रिया देशांतर्गत कंपन्यांना प्रस्थापित जागतिक खेळाडूंवर स्पर्धात्मक फायदा देऊ शकते आणि नाविन्यपूर्ण उपचारांमध्ये अग्रणी बनण्याच्या देशाच्या महत्त्वाकांक्षेला गती देऊ शकते.

Insilico ने ९ महिन्यांचे लक्ष्य कसे गाठले

हाँगकाँगमध्ये सूचीबद्ध असलेली Insilico Medicine, या विक्रमी कालमर्यादेचे श्रेय जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स (generative artificial intelligence) आणि स्वयंचलित प्रयोगशाळा कार्यप्रवाह (automated laboratory workflows) यांच्या मिश्रणाला देते. जनरेटिव्ह AI म्हणजे अशी मॉडेल्स जी केवळ अस्तित्वात असलेल्या रेणूंचे मूल्यमापन करण्याऐवजी नवीन रेणूंची रचना तयार करतात. अल्गोरिदमला प्रथिन लक्ष्ये (protein targets) आणि अपेक्षित औषधशास्त्रीय गुणधर्मांचा डेटा पुरवून, ही प्रणाली अशा नवीन संयुगांचे (compounds) प्रस्ताव मांडते ज्यांच्या प्रभावीपणे बांधले जाण्याची (bind) शक्यता असते.

कंपनीचे CEO, अलेक्स झावोरोन्कोव्ह (Alex Zhavoronkov) म्हणतात की, हे प्लॅटफॉर्म सामान्यतः एखाद्या प्रकल्पाला लक्ष्य ओळखण्यापासून (target identification) ते उमेदवार नामांकनापर्यंत (candidate nomination) सुमारे १३ महिन्यांत पोहोचवते. त्यांच्या सर्वात वेगवान प्रक्रियेत, हे चक्र केवळ नऊ महिन्यांत पूर्ण झाले. ही घट पारंपारिक हाय-थ्रूपुट स्क्रीनिंग (high-throughput screening) अवलंबून असलेल्या मोठ्या भौतिक लायब्ररींना वगळल्यामुळे शक्य झाली आहे; त्याऐवजी, AI संगणकावर रेणूंची रचना करते, अपात्र उमेदवारांना गाळून टाकते आणि केवळ सर्वात आश्वासक रचना प्रयोगशाळेकडे पाठवते.

AI-प्रयोगशाळा फीडबॅक लूप

एकदा रेणूचे संश्लेषण (synthesis) झाले की, स्वयंचलित उपकरणे त्याची क्रियाशीलता, विषारीपणा (toxicity) आणि इतर महत्त्वाचे मापदंड तपासतात. हे निकाल पुन्हा AI मध्ये फीड केले जातात, ज्यामुळे पुढील फेरीसाठी त्याच्या अंदाजांमध्ये सुधारणा होते. या "क्लोज्ड-लूप" (closed-loop) प्रणालीचा अर्थ असा आहे की मानवी शास्त्रज्ञांना 'प्रयत्न आणि चूक' (trial-and-error) यावर कमी वेळ खर्च करावा लागतो आणि अल्गोरिदमने आधीच मर्यादित केलेल्या डेटाचे विश्लेषण करण्यासाठी अधिक वेळ देता येतो.

संयुग तयार करण्यापूर्वीच ते कसे वागेल याचा अंदाज वर्तवल्यामुळे, ही पद्धत हजारो व्यर्थ प्रयोग टाळू शकते. चाचण्यांचे (assays) ऑटोमेशन प्रमाणीकरण टप्पा (validation phase) अधिक वेगाने पूर्ण करते, ज्यामुळे एखादा उमेदवार पारंपारिक वेळेच्या तुलनेत अत्यंत कमी वेळात संगणकापासून प्रयोगशाळेच्या बेंचपर्यंत आणि त्यानंतर नामांकनापर्यंत पोहोचू शकतो.

कोणाला फायदा होईल आणि कोण मागे पडू शकते

याउलट, ज्या कंपन्या पारंपारिक स्क्रीनिंग पद्धतींना चिकटून राहतील, त्यांना स्पर्धेत मागे पडल्याचे जाणवू शकते.

खबरदारी आणि पुढील वाटचाल

AI-त्वरित शोधामुळे (AI-accelerated discovery) मिळणारे आश्वासन कठोर प्रमाणीकरणाची (rigorous validation) गरज संपवत नाही. अंदाज वर्तवणारी मॉडेल्स (Predictive models) त्यांना ज्या डेटावर प्रशिक्षित केले जाते, तितकीच चांगली असतात आणि प्रशिक्षण संचांमधील (training sets) पूर्वग्रह सुरक्षिततेचे संकेत चुकवू शकतात. शिवाय, नऊ महिन्यांचा आकडा प्रभावी असला तरी, तो एकाच प्रोग्रामचे प्रतिनिधित्व करतो; ही पद्धत अनेक लक्ष्यांसाठी (targets) मोठ्या प्रमाणावर वापरल्यास असे अडथळे (bottlenecks) समोर येऊ शकतात जे अद्याप स्पष्ट झालेले नाहीत.

पुढे काय पाहावे

नऊ महिन्यांचा हा टप्पा दर्शवतो की औषध शोधण्याचे रसायनशास्त्र (chemistry of drug discovery) आता केवळ प्रयोगशाळेच्या बेंचपुरते मर्यादित राहिलेले नाही. जेव्हा अल्गोरिदम व्यवहार्य रेणूंची रचना करू शकतात आणि यंत्रे काही दिवसांत त्यांची चाचणी करू शकतात, तेव्हा संपूर्ण कालमर्यादा आकुंचन पावते. हे आकुंचन नवीन सामान्य स्थिती (new norm) बनेल की नाही, हे कंपन्या, गुंतवणूकदार, नियामक आणि रुग्ण यांसारख्या संपूर्ण परिसंस्थेने (ecosystem) अशा जगाशी किती वेगाने जुळवून घेते यावर अवलंबून असेल, जिथे "फिजिकल AI" (physical AI) उद्याच्या औषधांचा पहिला मसुदा तयार करेल.