जनरेटिव्ह एआय (Generative AI) आणि जैवतंत्रज्ञान (Biotechnology) यांच्या संगमामुळे मोठ्या प्रमाणात भांडवल आकर्षित होत आहे, कारण आघाडीचे संशोधक सामान्य-उद्देशीय LLM कामाकडून वैज्ञानिक उपयोगांकडे वळत आहेत. OpenAI चे संशोधक Miles Wang प्रगत AI मॉडेलिंगद्वारे औषध शोध प्रक्रियेत आमूलाग्र बदल घडवून आणण्यासाठी एक नवीन उपक्रम सुरू करण्याची तयारी करत असल्याचे समजते.

OpenAI कडून बायोटेक क्षेत्राकडे एक हाय-स्टेक्स पाऊल

2024 मध्ये OpenAI मध्ये सामील झालेले हार्वर्डचे कॉम्प्युटर-सायन्स पदवीधर Wang, $2 अब्ज मूल्यांकनावर $200 दशलक्ष उभारण्यासाठी चर्चा करत आहेत. त्यांनी काही आकड्यांवर मतभेद व्यक्त केले असले तरी, त्यांचे हे पाऊल व्यापक AI लॅब्समधून उच्च-प्रभाव असलेल्या वैज्ञानिक क्षेत्रांकडे होत असलेल्या वाढत्या "बुद्धिमत्ता पलायन" (brain drain) कडे लक्ष वेधते.

हा स्टार्टअप इतर अनेक OpenAI संशोधकांना नियुक्त करण्याची योजना आखत आहे, ज्यामुळे जैविक शोध स्वयंचलित करण्यावर लक्ष केंद्रित करणारा एक केंद्रित टॅलेंट पूल तयार होईल. हे पाऊल चॅटबॉट्सकडून रेणवीय जीवशास्त्रातील (molecular biology) गुंतागुंत हाताळू शकणाऱ्या मॉडेल्सकडे होणाऱ्या बदलाचे संकेत देते.

औषधांचा पुनर्वापर आणि रेणवीय अंदाजावर लक्ष केंद्रित करणे

पूर्णपणे नवीन रासायनिक घटकांच्या मागे लागण्याऐवजी, Wang यांचा उपक्रम अशा AI मॉडेल्सवर लक्ष केंद्रित करू शकतो जे अस्तित्वात असलेल्या, FDA-मान्य औषधांचे नवीन उपयोग शोधतील आणि क्लिनिकल ट्रायल्समध्ये अपयशी ठरलेल्या संयुगांना (compounds) पुन्हा जीवंत करतील.

औषधांचा पुनर्वापर (Drug repurposing) एक स्पष्ट व्यावसायिक फायदा देतो: सुरक्षिततेची चाचणी आधीच पूर्ण झालेली असते, त्यामुळे 'de novo' औषध विकासाच्या तुलनेत महसूल मिळण्याचा मार्ग लक्षणीयरीत्या कमी होतो. रेणू (molecules) विविध जैविक लक्ष्यांशी (biological targets) कसे जोडले जातात याचा अंदाज घेण्यासाठी AI चा वापर करून, हा स्टार्टअप प्रयोगशाळेतील अनेक वर्षांचे काम टाळू शकतो.

AI-Biotech क्षेत्राची झपाट्याने होणारी वाढ

Wang यांचे मूल्यांकन लक्ष्य वेगाने विस्तारत असलेल्या बाजारपेठेचे प्रतिबिंब आहे. AI-चालित जीवनविज्ञान (life-science) क्षेत्रात आधीच काही दिग्गज वर्चस्व गाजवत आहेत:

  • Chai Discovery: रेणवीय परस्परक्रियांचा (molecular interactions) अंदाज लावण्यासाठी मॉडेल्स तयार करण्यासाठी $3.8 अब्ज मूल्यांकनावर $400 दशलक्ष उभारले.
  • Isomorphic Labs: Google DeepMind कडून वेगळे झालेले हे स्टार्टअप, AI-चालित औषध शोध कार्यासाठी मे महिन्यात $2.1 अब्ज Series B निधी मिळवण्यात यशस्वी झाले.

या व्यवहारामधून असे दिसून येते की Lightspeed सारख्या व्हेंचर फर्म्स—ज्या Wang यांच्या राउंडमध्ये प्रमुख भूमिका बजावण्याची शक्यता आहे—AI-सक्षम जीवशास्त्र हे सर्वात फायदेशीर क्षेत्रांपैकी एक मानत आहेत.

AI क्षेत्रासाठी हे का महत्त्वाचे आहे

औषध शोधामधील विशेष AI मुळे चर्चा अमूर्त AGI वादांकडून प्रत्यक्ष उपयोजित AI (applied AI) निकालांकडे वळते. जेव्हा Wang सारखे संशोधक OpenAI मध्ये विकसित केलेले स्केलिंग लॉज आणि ट्रान्सफॉर्मर आर्किटेक्चर जैविक डेटासेटवर लागू करतात, तेव्हा ते वैज्ञानिक प्रगतीला गती देतात. AI मूल्य निर्मितीची पुढची लाट बहुधा भौतिक विज्ञानासोबतच्या (physical sciences) उभ्या एकत्रीकरणावर (vertical integration) अवलंबून असेल.

मुख्य निष्कर्ष

  • मोठ्या प्रमाणात भांडवल प्रवाह: Wang AI औषध-शोध स्टार्टअपसाठी $2 अब्ज मूल्यांकनावर $200 दशलक्ष शोधत आहेत.
  • धोरणात्मक लक्ष: हा उपक्रम औषधांचा पुनर्वापर करण्याला प्राधान्य देईल, ज्यामध्ये अस्तित्वात असलेल्या FDA-मान्य औषधांसाठी नवीन क्लिनिकल उपयोग शोधण्यासाठी आणि बाजारात आणण्याचा वेळ कमी करण्यासाठी AI चा वापर केला जाईल.
  • स्पर्धात्मक परिस्थिती: हा स्टार्टअप Chai Discovery आणि Isomorphic Labs सारख्या उच्च-मूल्य असलेल्या खेळाडूंना सोबत घेऊन काम करेल, जे AI-चालित जीवन विज्ञानाकडे व्हेंचर कॅपिटलचा (VC) वाढता कल अधोरेखित करते.

माजी OpenAI संशोधक Miles Wang, एका नवीन AI-चालित औषध-पुनर्वापर स्टार्टअपसाठी $2 अब्ज मूल्यांकनावर $200 दशलक्ष उभारण्याचा प्रयत्न करत आहेत. जर हा राउंड पूर्ण झाला, तर हा उपक्रम अशा काही बायोटेक-AI स्पिन-आउट्समध्ये सामील होईल ज्यांनी आधीच अब्जावधी डॉलर्स आकर्षित केले आहेत, ज्यामुळे "AI-for-biology" प्रकल्पांमध्ये भांडवल किती वेगाने येत आहे हे अधोरेखित होते.

LLMs कडून रेणूंकडे (Molecules)

हार्वर्डमधून कॉम्प्युटर-सायन्सची पदवी मिळवल्यानंतर Wang 2024 मध्ये OpenAI मध्ये आले. सूत्रांनुसार, ते आता रेणवीय विज्ञानासाठी (molecular science) तेच स्केलिंग तंत्र वापरण्याची योजना आखत आहेत आणि अस्तित्वात असलेल्या औषधांचे नवीन उपयोग शोधण्याचे काम स्वयंचलित करू शकतील अशी टीम तयार करण्यासाठी अनेक OpenAI माजी कर्मचाऱ्यांना नियुक्त करत आहेत.

हे पाऊल सामान्य-उद्देशीय AI लॅब्सकडून विशिष्ट वैज्ञानिक क्षेत्रांकडे होत असलेल्या व्यापक "बुद्धिमत्ता पलायन" (brain drain) दर्शवते. संशोधकांना मूळतः मजकुरासाठी (text) तयार केलेले सिद्ध झालेले ट्रान्सफॉर्मर आर्किटेक्चर—प्रथिन संरचना (protein structures), जन अभिव्यक्ति (gene expression) आणि रासायनिक परस्परक्रिया यांसारख्या अधिक जटिल डेटावर लागू करण्याची संधी दिसत आहे.

औषधांचा पुनर्वापर का?

बहुतेक बायोटेक स्टार्टअप्स नवीन संयुगांचा (novel compounds) शोध घेतात, ज्या मार्गावर एखादी गोळी बाजारात येण्यापूर्वी दशकभर वेळ आणि अब्जावधी खर्च होऊ शकतात. Wang यांचा उपक्रम एक शॉर्टकट शोधण्याचा प्रयत्न करत आहे: FDA द्वारे मंजूर केलेल्या किंवा अयशस्वी चाचण्यांनंतर बाजूला ठेवलेल्या औषधांसाठी नवीन उपचारात्मक दृष्टिकोन शोधण्यासाठी AI चा वापर करणे. अस्तित्वात असलेला सुरक्षिततेचा डेटा नियामक प्रक्रिया (regulatory climb) सुलभ करतो आणि महसूल मिळण्याचा वेळ लक्षणीयरीत्या कमी करू शकतो.

मुख्य तंत्रज्ञान एखादा रेणू विविध जैविक लक्ष्यांशी कसा जोडला जातो याचा अंदाज लावेल आणि अनपेक्षित आजारांशी असलेले संबंध शोधून काढेल.

AI-Biotech निधीचा महापूर

वांग यांचे लक्ष्यित मूल्यांकन हे असामान्य नाही. रेणूंच्या परस्परसंवादाचा (molecular interactions) अंदाज वर्तवणारे मॉडेल्स तयार करण्यासाठी Chai Discovery ने $३.८ अब्ज मूल्यांकनावर $४०० दशलक्ष निधी उभारल्याची घोषणा केली. Google DeepMind मधून स्पिन-आउट झालेली Isomorphic Labs ने याच उद्देशाने मे महिन्यात $२.१ अब्ज सिरीज B चा निधी मिळवला. या दोन्ही कंपन्यांनी उच्च दर्जाच्या व्हेंचर फर्म्सना आकर्षित केले आहे आणि बातमीनुसार Lightspeed वांग यांच्या निधी उभारणीच्या फेरीचे नेतृत्व करण्यासाठी चर्चेत आहे.

काय पाहावे

स्टार्टअपचे पहिले वैज्ञानिक टप्पे (milestones) तितकेच महत्त्वाचे असतील.

निष्कर्ष

Miles Wang यांनी $२ अब्ज किमतीच्या, AI-आधारित 'ड्रग-रिपर्पजिंग' (drug-repurposing) कंपनीसाठी घेतलेला पुढाकार हे दर्शवतो की, भांडवल सामान्य लार्ज-लँग्वेज-मॉडेल कामाकडून किती वेगाने विशेष वैज्ञानिक उपयोगांकडे वळत आहे. हे उपक्रम अस्तित्वात असलेल्या औषधांमध्ये बदल करून नवीन उपचार पद्धती वेगाने उपलब्ध करून देऊ शकतो, परंतु त्याला डेटाची मर्यादा, नियामक तपासणी आणि टॅलेंटची कमतरता यांसारख्या आव्हानांवर मात करावी लागेल. हे स्टार्टअप AI-बायोटेक क्षेत्रातील क्रांतीचे प्रमुख नाव बनेल की नाही, हे मॉडेलच्या अंदाजांचे प्रत्यक्ष क्लिनिकल निकालांमध्ये रूपांतर करण्याच्या त्यांच्या क्षमतेवर अवलंबून असेल.