Anthropic ਨੇ ਅਣਗੌਲੀਆਂ ਬਿਮਾਰੀਆਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਲਈ ਡਰੱਗ ਡਿਸਕਵਰੀ (ਦਵਾਈ ਦੀ ਖੋਜ) ਵਿੱਚ ਪ੍ਰਵੇਸ਼ ਕੀਤਾ

Anthropic LLMs ਤੋਂ ਪਰੇ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਵਿਸਤਾਰ ਕਰ ਰਿਹਾ ਹੈ। ਇਸ ਨੇ ਅਣਗੌਲੀਆਂ ਬਿਮਾਰੀਆਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਲਈ ਸਮਰਪਿਤ ਡਰੱਗ ਡਿਸਕਵਰੀ ਪ੍ਰੋਗਰਾਮ ਸ਼ੁਰੂ ਕੀਤੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਰਵਾਇਤੀ ਵੱਡੀਆਂ ਫਾਰਮਾ ਕੰਪਨੀਆਂ ਅਕਸਰ ਗੈਰ-ਮੁਨਾਫ਼ੇਦ ਮੰਨਦੀਆਂ ਹਨ। ਇਹ ਰਣਨੀਤਕ ਕਦਮ ਪ੍ਰੀ-ਕਲੀਨਿਕਲ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਅਤੇ ਅਸਲ ਜੈਵਿਕ ਡੇਟਾ ਰਾਹੀਂ AI ਮਾਡਲਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕੰਪਨੀ ਦੇ ਨਵੇਂ "Claude Science" ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

Claude Science: ਜੈਵਿਕ ਅੰਤਰ ਦ੍ਰਿਸ਼ਟੀ (Biological Insights) ਨੂੰ ਤੇਜ਼ ਕਰਨਾ

ਇਹਨਾਂ ਪ੍ਰੋਗਰਾਮਾਂ ਦੀ ਘੋਸ਼ਣਾ "Claude Science" ਦੇ ਉਦਘਾਟਨ ਦੇ ਨਾਲ ਹੋਈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹਾ AI ਟੂਲ ਹੈ ਜੋ ਗੁੰਝਲਦਾਰ ਵਿਗਿਆਨਕ ਤਰਕ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। Anthropic ਨੇ ਹੈਰਾਨੀਜਨਕ ਉਦਾਹਰਣਾਂ ਨਾਲ ਇਸ ਟੂਲ ਦੀ ਤੁਰੰਤ ਉਪਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ: UCSF ਦੇ ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਕੁਝ ਹੀ ਮਿੰਟਾਂ ਵਿੱਚ ਵਾਇਰਲ ਸੰਕਰਮਣ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ Claude Science ਦੀ ਵਰਤੋਂ ਕੀਤੀ—ਇੱਕ ਅਜਿਹੀ ਗਲਤੀ ਜੋ ਇੱਕ ਪੂਰੇ ਸਾਲ ਤੋਂ ਮਨੁੱਖੀ ਟੀਮ ਦੀ ਨਜ਼ਰ ਤੋਂ ਚੁੱਕੀ ਰਹੀ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਾਡਲ ਨੇ ਇੱਕ ਘੰਟੇ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ 100 ਦੁਰਲੱਭ ਜੈਨੇਟਿਕ ਬਿਮਾਰੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਅਤੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਕ੍ਰੀਨਿੰਗ ਲਈ 32 ਉਮੀਦਵਾਰਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਪਛਾਣ ਕੀਤੀ।

ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੇ ਡਰੱਗ ਡਿਵੈਲਪਮੈਂਟ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹੋ ਕੇ, Anthropic ਦਾ ਉਦੇਸ਼ ਵੈੱਟ ਲੈਬ (wet lab) ਵਿੱਚੋਂ ਸਿੱਧਾ ਅਨੁਭਵ ਲੈ ਕੇ ਵਧੇਰੇ ਸਮਰੱਥ ਅਤੇ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਸਹੀ AI ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ, ਜੋ ਡਿਜੀਟਲ ਤਰਕ ਅਤੇ ਜੈਵਿਕ ਹਕੀਕਤ ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਨੂੰ ਪੂਰ ਸਕਣ।

ਡਿਵੈਲਪਮੈਂਟ ਟਾਈਮਲਾਈਨ ਅਤੇ ਲੇਟੈਂਸੀ (Latency) ਨੂੰ ਘਟਾਉਣਾ

ਫਾਰਮਾਸਿਊਟੀਕਲ ਉਦਯੋਗ ਇਸ ਸਮੇਂ ਭਾਰੀ ਅਕੁਸ਼ਲਤਾਵਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਿਹਾ ਹੈ। Novartis ਦੇ CEO Vas Narasimhan ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ਕਿਸੇ ਦਵਾਈ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿਵਾਉਣ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਬਾਰਾਂ ਸਾਲ ਲੱਗਦੇ ਹਨ, ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਕਿਰਿਆ ਜੋ ਜਾਣਕਾਰੀ ਦੀ ਲੇਟੈਂਸੀ (information latency), ਸੰਚਾਲਨ ਲੇਟੈਂਸੀ (operational latency) ਅਤੇ ਜੈਵਿਕ ਲੇਟੈਂਸੀ (biological latency) ਕਾਰਨ ਰੁਕਾਵਟਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀ ਹੈ।

ਹਾਲਾਂਕਿ ਜੈਵਿਕ ਲੇਟੈਂਸੀ (ਕਲੀਨਿਕਲ ਟਰਾਇਲ ਅਤੇ ਜਾਨਵਰਾਂ 'ਤੇ ਟੈਸਟਿੰਗ) ਨੂੰ ਘਟਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ, AI ਪਹਿਲੀਆਂ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾ ਸਕਦਾ ਹੈ, ਜੋ ਵਿਕਾਸ ਚੱਕਰ ਦਾ ਲਗਭਗ 40% ਹਿੱਸਾ ਹਨ। Anthropic ਦੇ ਪਹੁੰਚ ਦਾ ਉਦੇਸ਼ ਕੁੱਲ ਸਮੇਂ ਨੂੰ ਬਾਰਾਂ ਸਾਲ ਤੋਂ ਘਟਾ ਕੇ ਸੱਤ ਜਾਂ ਅੱਠ ਸਾਲ ਕਰਨਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮੌਲੀਕਿਊਲਰ ਗੁਣਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਅਤੇ ਸੁਰੱਖਿਆ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰਕੇ, AI ਦਵਾਈਆਂ ਦੀ ਸਫਲਤਾ ਦੀ ਦਰ ਨੂੰ ਮੌਜੂਦਾ 8% ਤੋਂ ਦੁੱਗਣਾ ਕਰਕੇ 16% ਤੱਕ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ। ਇਹ ਦੇਖਦੇ ਹੋਏ ਕਿ ਉਦਯੋਗ R&D 'ਤੇ ਸਾਲਾਨਾ $150 ਤੋਂ $200 ਬਿਲੀਅਨ ਖਰਚ ਕਰਦਾ ਹੈ ਪਰ ਨਤੀਜੇ ਘੱਟ ਮਿਲਦੇ ਹਨ, ਇਹ ਛੋਟੀਆਂ ਜਿਹੀਆਂ ਵਾਧੇ ਵੀ ਇਲਾਜ ਦੀ ਵਿਵਹਾਰਕਤਾ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਲਿਆ ਸਕਦੇ ਹਨ।

ਹੈਲਥਕੇਅਰ ਵਿੱਚ ਵਧਦੀ AI ਹਥਿਆਰਾਂ ਦੀ ਦੌੜ (Arms Race)

Anthropic ਦਾ ਇਹ ਕਦਮ ਇਸ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਿਕਸਤ ਹੋ ਰਹੇ ਬਾਇਓਟੈਕ ਲੈਂਡਸਕੇਪ ਵਿੱਚ ਸਿੱਧੀ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਅਤੇ ਸਹਿਯੋਗ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਵੱਡੇ ਖਿਡਾਰੀ ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ:

• Google DeepMind & Isomorphic Labs: ਡਰੱਗ ਡਿਸਕਵਰੀ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਉਣ ਲਈ ਪ੍ਰੋਟੀਨ ਸੰਰਚਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ AlphaFold ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ।
• OpenAI: ChatGPT Health ਦੇ ਨਾਲ ਮਰੀਜ਼-ਕੇਂਦ੍ਰਿਤ ਟੂਲਸ ਵਿੱਚ ਵਿਸਤਾਰ ਕਰ ਰਿਹਾ ਹੈ, ਜੋ ਮੈਡੀਕਲ ਰਿਕਾਰਡਾਂ ਅਤੇ Apple Health ਡੇਟਾ ਨੂੰ ਜੋੜਦਾ ਹੈ।
• Google DeepMind (Clinical): "AI Co-Clinician" ਮਾਡਲਾਂ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ ਜੋ ਤ੍ਰਿਪਟੀਅਰ ਕੇਅਰ (triadic care) ਰਾਹੀਂ ਡਾਕਟਰਾਂ ਦੀ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ।

ਹਾਲਾਂਕਿ ਕ੍ਰਾਂਤੀਕਾਰੀ ਇਲਾਜਾਂ ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਆਕਸਫੋਰਡ ਦੀ ਕੈਥਰੀਨ ਪੋਪ ਵਰਗੇ ਮਾਹਰ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ AI ਮਾਡਲਾਂ ਨੂੰ ਅਜੇ ਵੀ ਇਹ ਸਾਬਤ ਕਰਨਾ ਹੋਵੇਗਾ ਕਿ ਉਹ ਅਸਲ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਦੀ "ਗੁੰਝਲਦਾਰ ਅਤੇ ਮਨੁੱਖੀ ਦੁਨੀਆ" ਵਿੱਚ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ (Key Takeaways)

• ਗੈਰ-ਮੁਨਾਫ਼ੇਦ ਖੇਤਰਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ: Anthropic ਆਪਣੇ ਮਿਸ਼ਨ ਨੂੰ ਪੂਰਾ ਕਰਨ ਅਤੇ ਮਾਡਲ ਸਿਖਲਾਈ ਲਈ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਜੈਵਿਕ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਅਣਗੌਲੀਆਂ ਬਿਮਾਰੀਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਿਹਾ ਹੈ।
• ਕਾਰਜਕੁਸ਼ਲਤਾ ਵਿੱਚ ਵਾਧਾ: AI-ਅਧਾਰਤ ਡਰੱਗ ਡਿਸਕਵਰੀ ਦਾ ਉਦੇਸ਼ ਵਿਕਾਸ ਦੀ ਸਮਾਂ ਸੀਮਾ ਨੂੰ ਚਾਰ ਸਾਲਾਂ ਤੱਕ ਘਟਾਉਣਾ ਅਤੇ ਕਲੀਨਿਕਲ ਸਫਲਤਾ ਦੀ ਦਰ ਨੂੰ ਦੁੱਗਣਾ ਕਰਨਾ ਹੈ।
• ਵਿਗਿਆਨਕ ਪ੍ਰਮਾਣਿਕਤਾ: Claude Science ਵਰਗੇ ਟੂਲ ਪਹਿਲਾਂ ਹੀ ਗੁੰਝਲਦਾਰ ਕੰਮ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿਖਾ ਰਹੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਘੰਟੇ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ 100 ਦੁਰਲੱਭ ਬਿਮਾਰੀਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ।