GSK ਨੇ ਬ੍ਰਿਟਿਸ਼ ਬਾਇਓਟੈਕ ਫਰਮ Relation Therapeutics ਨਾਲ $110 ਮਿਲੀਅਨ ਤੱਕ ਦਾ ਖੋਜ ਸਹਿਯੋਗ ਸਮਝੌਤਾ ਕੀਤਾ ਹੈ। ਇਹ ਭਾਈਵਾਲੀ ਵਿਸ਼ਾਲ, ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਡੇਟਾ ਸੈੱਟ ਤਿਆਰ ਕਰੇਗੀ ਜੋ ਇਹ ਟ੍ਰੈਕ ਕਰੇਗੀ ਕਿ ਮਨੁੱਖੀ ਸੈੱਲ ਜੈਨੇਟਿਕ ਤਬਦੀਲੀਆਂ ਅਤੇ ਦਵਾਈਆਂ ਦੇ ਇਲਾਜ ਪ੍ਰਤੀ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ। ਇਹ ਉਸ ਡੇਟਾ ਦੀ ਰੁਕਾਵਟ (bottleneck) ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ ਜਿਸ ਨੇ AI-ਅਧਾਰਿਤ ਦਵਾਈ ਦੀ ਖੋਜ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੱਤਾ ਹੈ ਅਤੇ ਮੌਲੀਕਿਊਲ ਤੋਂ ਦਵਾਈ ਤੱਕ ਦੇ ਰਾਹ ਵਿੱਚੋਂ ਕਈ ਸਾਲ ਘਟਾ ਸਕਦਾ ਹੈ।

ਡੇਟਾ ਦੀ ਉਹ ਸਮੱਸਿਆ ਜਿਸ ਨੇ AI ਨੂੰ ਰੋਕਿਆ ਹੋਇਆ ਹੈ

ਪਿਛਲੇ ਇੱਕ ਦਹਾਕੇ ਦੇ ਜ਼ਿਆਦਾਤਰ ਸਮੇਂ ਦੌਰਾਨ, ਫਾਰਮਾ ਵਿੱਚ AI ਦਾ ਮੁਲਾਂਕਣ ਮਾਡਲ ਦੇ ਆਕਾਰ ਤੋਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਨਾ ਕਿ ਇਨਪੁਟ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ ਤੋਂ। ਇੰਟਰਨੈੱਟ ਟੈਕਸਟ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (Large language models) ਪੈਟਰਨ ਮੈਚਿੰਗ ਵਿੱਚ ਮਾਹਰ ਹਨ, ਪਰ ਜਦੋਂ ਕਿਸੇ ਕੰਪਾਊਂਡ ਦੇ ਜੀਵਤ ਸੈੱਲ ਵਿੱਚ ਪ੍ਰਭਾਵ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ। ਜੋ ਕਮੀ ਰਹਿ ਗਈ ਸੀ ਉਹ ਸੀ “wet lab” ਡੇਟਾ—ਅਸਲ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਮਾਪ ਜੋ ਕਿਸੇ ਜੀਨ ਦੇ ਚਾਲੂ ਜਾਂ ਬੰਦ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਜਾਂ ਦਵਾਈ ਲਗਾਉਣ ਤੋਂ ਬਾਅਦ ਹੋਣ ਵਾਲੇ ਜੈਵਿਕ ਪ੍ਰਭਾਵਾਂ ਦੀ ਲੜੀ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ।

Relation Therapeutics ਇਸ ਕਮੀ ਨੂੰ ਪੂਰਾ ਕਰੇਗੀ। ਸਮਝੌਤੇ ਦੇ ਤਹਿਤ, ਇਹ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਅਜਿਹਾ ਡੇਟਾ ਤਿਆਰ ਕਰੇਗੀ ਜੋ ਬੜੀ ਬਾਰੀਕੀ ਨਾਲ ਇਹ ਮਾਪੇਗਾ ਕਿ ਮਨੁੱਖੀ ਸੈੱਲ ਦੋ ਚਲਵਾਂ (variables) ਪ੍ਰਤੀ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੇ ਹਨ: ਜੈਨੇਟਿਕ ਤਬਦੀਲੀਆਂ ਅਤੇ ਦਵਾਈ ਦੇ ਦਖਲ। AI ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸੈਲੂਲਰ ਵਿਵਹਾਰ ਦਾ ਇਹ ਵਿਸਤ੍ਰਿਤ ਦ੍ਰਿਸ਼ਤ (granular view) ਪ੍ਰਦਾਨ ਕਰਕੇ, ਇਸ ਭਾਈਵਾਲੀ ਦਾ ਉਦੇਸ਼ ਮਾਡਲਾਂ ਨੂੰ ਸਿਰਫ ਮੋਟੇ-ਮੋਟੇ ਬਾਈਂਡਿੰਗ ਅਨੁਮਾਨਾਂ ਤੋਂ ਵਧਾ ਕੇ ਪੂਰੇ ਪਾਥਵੇਜ਼ (pathways) ਦੇ ਸਿਮੂਲੇਸ਼ਨਾਂ ਤੱਕ ਲੈ ਕੇ ਜਾਣਾ ਹੈ।

ਬਲੈਕ-ਬਾਕਸ ਅਨੁਮਾਨਾਂ ਤੋਂ ਸੈਲੂਲਰ ਸਟੀਕਤਾ ਤੱਕ

ਰਵਾਇਤੀ AI ਪਾਈਪਲਾਈਨਾਂ ਅਕਸਰ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਦਿੰਦੀਆਂ ਹਨ: ਇਸ ਗੱਲ ਦੀ ਸੰਭਾਵਨਾ ਕਿ ਇੱਕ ਮੌਲੀਕਿਊਲ ਕਿਸੇ ਟਾਰਗੇਟ ਪ੍ਰੋਟੀਨ ਨਾਲ ਬੰਡ ਹੋਵੇਗਾ। ਫਿਰ ਖੋਜਕਰਤਾ ਇਹ ਜਾਂਚਣ ਲਈ ਮਹੀਨੇ ਜਾਂ ਸਾਲ ਬਿਤਾਉਂਦੇ ਹਨ ਕਿ ਕੀ ਉਹ ਬਾਈਂਡਿੰਗ ਕਿਸੇ ਇਲਾਜ ਦੇ ਪ੍ਰਭਾਵ ਵਿੱਚ ਬਦਲਦੀ ਹੈ। ਨਵਾਂ ਤਰੀਕਾ ਸਿੰਗਲ-ਪੁਆਇੰਟ ਅਨੁਮਾਨ ਨੂੰ ਅਗਲੇਰੀਆਂ ਪ੍ਰਾਪਤੀਆਂ (downstream outcomes) ਦੇ ਬਹੁ-ਆਯਾਮੀ ਨਕਸ਼ੇ ਨਾਲ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਇੱਕ AI ਮਾਡਲ ਜਾਣਦਾ ਹੈ ਕਿ ਜੀਨ X ਨੂੰ ਖਤਮ ਕਰਨਾ ਪਾਥਵੇਅ Y ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ, ਅਤੇ ਕੋਈ ਉਮੀਦਵਾਰ ਦਵਾਈ ਉਸੇ ਪਾਥਵੇਅ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਬਹੁਤ ਪਹਿਲਾਂ ਹੀ ਇਸਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦਾ ਹੈ।

ਇਸਦਾ ਫਾਇਦਾ ਖਰਚੀਲੇ ਟ੍ਰਾਇਲ-ਐਂਡ-ਐਰਰ (trial-and-error) ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਕਮੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਮਾਡਲ ਭਰੋਸੇਮੰਦ ਤਰੀਕੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕੋਈ ਕੰਪਾਊਂਡ ਇੱਕ ਲੋੜੀਂਦੀ ਸੈਲੂਲਰ ਪ੍ਰਤੀਕਿਰਿਆ ਪੈਦਾ ਕਰੇਗਾ, ਤਾਂ ਘੱਟ ਕੰਪਾਊਂਡਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ, ਸਕਰੀਨ ਕਰਨ ਅਤੇ ਰੱਦ ਕਰਨ ਦੀ ਲੋੜ ਪਵੇਗੀ। ਇਹ R&D ਖਰਚੇ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ—ਅਜਿਹੇ ਫਾਇਦੇ ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦਵਾਈ ਦੇ ਮਾਰਕੀਟ ਵਿਸ਼ੇਸ਼ਤਾ (exclusivity) ਦੇ ਸਮੇਂ ਅਤੇ ਫਾਰਮਾ ਕੰਪਨੀਆਂ ਦੇ ਮੁਨਾਫੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ।

“ਸਹੀ ਡੇਟਾ” ਇੱਕ ਰੱਖਿਆ ਕਵਚ (moat) ਬਣ ਜਾਂਦਾ ਹੈ

ਇਹ ਭਾਈਵਾਲੀ “big data” ਤੋਂ “right data” ਵੱਲ ਇੱਕ ਤਬਦੀਲੀ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ। ਆਮ ਉਦੇਸ਼ਾਂ ਵਾਲੇ ਮਾਡਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਾਤਰਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਪਰ ਦਵਾਈ ਦੀ ਖੋਜ ਲਈ ਅਜਿਹੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਬਹੁਤ ਵਿਸ਼ੇਸ਼ ਹੋਵੇ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋਵੇ। ਭਰੋਸੇਯੋਗ ਸੈਲੂਲਰ ਪ੍ਰਤੀਕਿਰਿਆ ਪ੍ਰੋਫਾਈਲਾਂ ਤਿਆਰ ਕਰਨ ਲਈ ਉੱਨਤ ਸਾਜ਼ੋ-ਸਾਮਾਨ, ਕੁਸ਼ਲ ਕਰ

ਮੁੱਖ ਨਿਚੋੜ

GSK ਦਾ high-fidelity cellular data 'ਤੇ $110 ਮਿਲੀਅਨ ਦਾ ਦਾਅ ਇੱਕ ਨਿਰਣਾਇਕ ਮੋੜ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ: AI drug discovery ਵਿੱਚ, ਸਭ ਤੋਂ ਨਿਰਣਾਇਕ ਫਾਇਦਾ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਾਲੇ ਜੈਵਿਕ ਸੰਕੇਤਾਂ (biological signals) ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਹੋਵੇਗੀ, ਨਾ ਕਿ ਸਿਰਫ਼ ਐਲਗੋਰਿਦਮ ਦਾ ਆਕਾਰ।