ਰਵਾਇਤੀ ਫਾਰਮਾਸਿਊਟੀਕਲ R&D ਪਾਈਪਲਾਈਨ ਆਪਣੀਆਂ ਦਹਾਕਿਆਂ ਲੰਬੀਆਂ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਅਤੇ ਅਸਾਧਾਰਨ ਲਾਗਤਾਂ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਪੂਰਬ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਆ ਰਿਹਾ ਹੈ। ਜਨਰੇਟਿਵ AI ਨੂੰ ਸਵੈਚਾਲਿਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਖੋਜ (automated laboratory research) ਨਾਲ ਜੋੜ ਕੇ, ਬਾਇਓਟੈਕ ਨਵੀਨਤਾਕਾਰੀ ਵਿਹਲ ਦਵਾਈਆਂ ਦੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਨੂੰ ਸਾਲਾਂ ਤੋਂ ਘਟਾ ਕੇ ਕੁਝ ਮਹੀਨਿਆਂ ਤੱਕ ਲਿਆ ਰਹੇ ਹਨ।

Insilico Medicine ਨੇ AI-ਡਰਾਈਵਨ R&D ਨਾਲ ਰਿਕਾਰਡ ਤੋੜ ਦਿੱਤੇ

ਇਸ ਤਕਨੀਕੀ ਤਬਦੀਲੀ ਦੀ ਅਗਵਾਈ Insilico Medicine ਕਰ ਰਹੀ ਹੈ, ਜੋ ਕਿ ਹਾਂਗਕਾਂਗ ਵਿੱਚ ਸੂਚੀਬੱਧ ਇੱਕ ਬਾਇਓਟੈਕਨਾਲੋਜੀ ਫਰਮ ਹੈ ਅਤੇ ਦਵਾਈਆਂ ਦੇ ਵਿਕਾਸ ਦੀ ਗਤੀ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਰਹੀ ਹੈ। CEO Alex Zhavoronkov ਦੇ ਅਨੁਸਾਰ, ਕੰਪਨੀ ਨੇ ਦਵਾਈ ਦੇ ਵਿਕਾਸ ਦੇ ਉਮੀਦਵਾਰਾਂ ਲਈ ਉਤਪਾਦਨ ਦੀ ਸਮਾਂ-ਸੀਮਾ ਨੂੰ ਲਗਭਗ ਇੱਕ ਸਾਲ ਤੱਕ ਘਟਾਉਣ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਵਰਤੋਂ ਕੀਤੀ ਹੈ।

ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਇਹ ਵਾਧਾ ਸਿਰਫ ਸਿਧਾਂਤਕ ਨਹੀਂ ਹੈ; ਇਹ ਅਸਲ ਦੁਨੀਆ ਦੇ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਵੀ ਦਿਖਾਈ ਦੇ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਕਿ ਕੰਪਨੀ ਦਾ ਆਮ ਵਿਕਾਸ ਚੱਕਰ ਲਗਭਗ 13 ਮਹੀਨਿਆਂ ਦਾ ਹੁੰਦਾ ਹੈ, Insilico Medicine ਦੇ ਸਭ ਤੋਂ ਤੇਜ਼ ਪ੍ਰੋਗਰਾਮ ਨੇ ਸਿਰਫ ਨੌਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਉਮੀਦਵਾਰ ਨਾਮਜ਼ਦਗੀ (candidate nomination) ਪ੍ਰਾਪਤ ਕੀਤੀ। ਇਹ ਉਛਾਲ ਉੱਨਤ AI ਮਾਡਲਾਂ ਨੂੰ ਸਖ਼ਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਮਾਣਿਕਤਾ (laboratory validation) ਨਾਲ ਜੋੜ ਕੇ ਸੰਭਵ ਹੋਇਆ ਹੈ, ਜੋ ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਡਿਜੀਟਲ ਪਰਿਕਲਪਨਾ ਤੋਂ ਭੌਤਿਕ ਅਣੂ (physical molecule) ਤੱਕ ਦੇ ਤਬਦੀਲੀ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ।

Generative AI ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਖੋਜ ਦਾ ਸੁਮੇਲ

ਇਸ ਕ੍ਰਾਂਤੀਕਾਰੀ ਸਫਲਤਾ ਦਾ ਕੇਂਦਰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਅਤੇ ਜੈਵਿਕ ਪ੍ਰਯੋਗਾਂ ਦਾ ਸੁਮੇਲ ਹੈ। ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੇ ਉਲਟ, ਜੋ ਵੱਡੀਆਂ ਭੌਤਿਕ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਹਾਈ-ਥਰੂਪੱਟ ਸਕ੍ਰੀਨਿੰਗ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, AI-ਡਰਾਈਵਨ ਪਹੁੰਚ ਖਾਸ ਜੈਵਿਕ ਗੁਣਾਂ ਵਾਲੇ ਨਵੇਂ ਅਣੂਆਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।

ਲੈਬ ਵਿੱਚ ਸਿੰਥੇਸਾਈਜ਼ (synthesize) ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਅਣੂ ਟਾਰਗੇਟ ਪ੍ਰੋਟੀਨਾਂ ਨਾਲ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਨਗੇ, ਇਸਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ, ਖੋਜਕਰਤਾ ਹਜ਼ਾਰਾਂ ਅਸਫਲ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਬਚ ਸਕਦੇ ਹਨ। ਜਦੋਂ ਇਹ AI ਭਵਿੱਖਬਾਣੀਆਂ ਸਵੈਚਾਲਿਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਰਕਫਲੋਅਜ਼—ਜਿਸ ਨੂੰ ਅਕਸਰ "closed-loop" ਪ੍ਰਣਾਲੀਆਂ ਕਿਹਾ ਜਾਂਦਾ ਹੈ—ਨਾਲ ਜੋੜ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਉਮੀਦਵਾਰ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਬੇਮਿਸਾਲ ਗਤੀ ਨਾਲ ਚੱਲਦੀ ਹੈ। ਇਹ ਸੁਮੇਲ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਆਪਣੇ ਮਾਨਵਿਕ ਯਤਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਸੰਭਾਵਨਾਵਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ "trial and error" (ਅਜ਼ਮਾਉਣ ਅਤੇ ਗਲਤੀ ਕਰਨ) ਵਾਲਾ ਪੜਾਅ ਕਾਫ਼ੀ ਘੱਟ ਜਾਂਦਾ ਹੈ ਜੋ ਕਿ ਰਵਾਇਤੀ ਦਵਾਈ ਦੀ ਖੋਜ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ।

ਗਲੋਬਲ AI ਅਤੇ ਬਾਇਓਟੈਕ ਲੈਂਡਸਕੇਪ ਲਈ ਪ੍ਰਭਾਵ

ਚੀਨ ਵਿੱਚ ਦੇਖੀ ਗਈ ਸਫਲਤਾ ਗਲੋਬਲ ਬਾਇਓਟੈਕਨਾਲੋਜੀ ਖੇਤਰ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੂਫ ਆਫ ਕੰਸੈਪਟ (proof of concept) ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਮਾਡਲ ਵਿਸ਼ਾਲ ਰਸਾਇਣਕ ਸਪੇਸ ਵਿੱਚ ਨੈਵੀਗੇਟ ਕਰਨ ਵਿੱਚ ਵਧੇਰੇ ਨਿਪੁੰਨ ਹੁੰਦੇ ਜਾ ਰਹੇ ਹਨ, ਦਵਾਈ ਦੀ ਖੋਜ ਦਾ "death valley"—ਉਹ ਸਮਾਂ ਜਦੋਂ ਜ਼ਹਿਰੀਲੇਪਣ ਜਾਂ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੀ ਘਾਟ ਕਾਰਨ ਜ਼ਿਆਦਾਤਰ ਉਮੀਦਵਾਰ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ—ਘਟਣਾ ਸ਼ੁਰੂ ਹੋ ਗਿਆ ਹੈ।

ਡੀਪ ਟੈਕ ਖੇਤਰ ਦੇ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਸਥਾਪਕਾਂ ਲਈ, ਇਹ ਵਿਕਾਸ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ: ਸਭ ਤੋਂ ਕੀਮਤੀ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਜਨਰੇਸ਼ਨ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ "physical AI" ਖੇਤਰਾਂ ਵਿੱਚ ਜਾ ਰਹੀਆਂ ਹਨ। ਜੈਵਿਕ ਡੇਟਾ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਅਤੇ ਭੌਤਿਕ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦੇ ਵੱਡੇ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਹਨ, ਜੋ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਦੁਰਲੱਭ ਬਿਮਾਰੀਆਂ ਦੇ ਇਲਾਜ ਲਈ ਰੁਕਾਵਟਾਂ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ ਅਤੇ ਵਿਸ਼ਵ ਪੱਧਰ 'ਤੇ ਸਿਹਤ ਸੰਭਾਲ ਦੀ ਸਮੁੱਚੀ ਲਾਗਤ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

  • ਡਰਾਸਟਿਕ ਸਮੇਂ ਦੀ ਕਟੌਤੀ: Insilico Medicine ਨੇ ਸਾਬਤ ਕੀਤਾ ਹੈ ਕਿ AI ਦਵਾਈ ਦੇ ਉਮੀਦਵਾਰ ਦੀ ਨਾਮਜ਼ਦਗੀ ਦੇ ਸਮੇਂ ਨੂੰ ਨੌਂ ਮਹੀਨਿਆਂ ਤੱਕ ਘਟਾ ਸਕਦਾ ਹੈ।
  • ਹਾਈਬ੍ਰਿਡ ਵਿਧੀ: ਇਹ ਕ੍ਰਾਂਤੀ ਜਨਰੇਟਿਵ AI ਡਿਜ਼ਾਈਨ ਅਤੇ ਸਵੈਚਾਲਿਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਸੁਮੇਲ ਦੁਆਰਾ ਚਲਾਈ ਜਾ ਰਹੀ ਹੈ, ਜੋ ਰਵਾਇਤੀ trial-and-error ਵਿਧੀਆਂ ਤੋਂ ਦੂਰ ਜਾ ਰਹੀ ਹੈ।
  • R&D ਅਰਥ ਸ਼ਾਸਤਰ ਵਿੱਚ ਬਦਲਾਅ: ਖੋਜ ਪੜਾਅ ਵਿੱਚ ਸਾਲਾਂ ਤੋਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਤਬਦੀਲੀ ਬਾਇਓਟੈਕਨਾਲੋਜੀ ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਪੂੰਜੀ ਅਤੇ ਖੋਜ ਦੀ ਗਤੀ ਦੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਬਦਲਾਅ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।

ਗਤੀ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਦਵਾਈ ਦੀ ਖੋਜ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਇੱਕ ਮੈਰਾਥਨ ਰਹੀ ਹੈ। ਕੰਪਨੀਆਂ ਲੱਖਾਂ ਕੰਪਾਊਂਡਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਸਾਲ ਬਿਤਾਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਅਕਸਰ ਇੱਕ ਅਣੂ ਦੇ ਕਲੀਨਿਕਲ ਟੈਸਟਿੰਗ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਅਸਫਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਇੱਕ ਅਣੂ ਨੂੰ ਸੰਕਲਪ ਤੋਂ ਬਾਜ਼ਾਰ ਤੱਕ ਲਿਆਉਣ ਦੀ ਲਾਗਤ ਰੁਟੀਨਲ ਰੂਪ ਵਿੱਚ ਅਰਬਾਂ ਵਿੱਚ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਅਸਫਲਤਾ ਦੀ ਦਰ—ਖਾਸ ਕਰਕੇ ਸ਼ੁਰੂਆਤੀ "discovery" ਪੜਾਅ ਵਿੱਚ—ਉੱਚੀ ਰਹਿੰਦੀ ਹੈ। ਚੀਨ ਵਿੱਚ, ਜਿੱਥੇ ਬਾਇਓਟੈਕ ਖੇਤਰ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ, ਇੱਕ ਤੇਜ਼ ਪਾਈਪਲਾਈਨ ਘਰੇਲੂ ਫਰਮਾਂ ਨੂੰ ਸਥਾਪਿਤ ਗਲੋਬਲ ਖਿਡਾਰੀਆਂ ਦੇ ਉੱਪਰ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਫਾਇਦਾ ਦੇ ਸਕਦੀ ਹੈ ਅਤੇ ਨਵੀਨਤਾਕਾਰੀ ਇਲਾਜਾਂ ਵਿੱਚ ਲੀਡਰ ਬਣਨ ਦੇ ਦੇਸ਼ ਦੇ ਉਦੇਸ਼ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ।

Insilico ਨੇ 9-ਮਹੀਨੇ ਦਾ ਨਿਸ਼ਾਨ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕੀਤਾ

ਹਾਂਗਕਾਂਗ ਵਿੱਚ ਸੂਚੀਬੱਧ, Insilico Medicine ਇਸ ਰਿਕਾਰਡ ਸਮੇਂ ਦਾ ਸਿਹਰਾ ਜਨਰੇਟਿਵ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (generative artificial intelligence) ਅਤੇ ਸਵੈਚਾਲਿਤ ਲੈਬਾਰਟਰੀ ਵਰਕਫਲੋਜ਼ ਦੇ ਸੁਮੇਲ ਨੂੰ ਦਿੰਦੀ ਹੈ। ਜਨਰੇਟਿਵ AI ਤੋਂ ਭਾਵ ਅਜਿਹੇ ਮਾਡਲਾਂ ਤੋਂ ਹੈ ਜੋ ਮੌਜੂਦਾ ਅਣੂਆਂ (molecular structures) ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਬਜਾਏ ਨਵੇਂ ਅਣੂਆਂ ਦੀ ਰਚਨਾ ਕਰਦੇ ਹਨ। ਪ੍ਰੋਟੀਨ ਟਾਰਗੇਟਸ ਅਤੇ ਲੋੜੀਂਦੇ ਫਾਰਮਾਕੋਲੋਜੀਕਲ ਗੁਣਾਂ ਬਾਰੇ ਡੇਟਾ ਐਲਗੋਰਿਦਮ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਇਹ ਸਿਸਟਮ ਅਜਿਹੇ ਨਵੇਂ ਕੰਪਾਊਂਡਸ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜੁੜਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਕੰਪਨੀ ਦੇ CEO, Alex Zhavoronkov ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਪਲੇਟਫਾਰਮ ਆਮ ਤੌਰ 'ਤੇ ਕਿਸੇ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਟਾਰਗੇਟ ਦੀ ਪਛਾਣ ਤੋਂ ਲੈ ਕੇ ਉਮੀਦਵਾਰ ਨਾਮਜ਼ਦਗੀ (candidate nomination) ਤੱਕ ਲਗਭਗ 13 ਮਹੀਨਿਆਂ ਵਿੱਚ ਪਹੁੰਚਾ ਦਿੰਦਾ ਹੈ। ਆਪਣੇ ਸਭ ਤੋਂ ਤੇਜ਼ ਰਨ ਵਿੱਚ, ਇਹ ਪ੍ਰਕਿਰਿਆ ਨੌਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਪੂਰੀ ਹੋ ਗਈ। ਇਹ ਕਟੌਤੀ ਉਨ੍ਹਾਂ ਵਿਸ਼ਾਲ ਭੌਤਿਕ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਬਚਾ ਕੇ ਸੰਭਵ ਹੋਈ ਹੈ ਜਿਨ੍ਹਾਂ 'ਤੇ ਰਵਾਇਤੀ ਹਾਈ-ਥਰੂਪੁੱਟ ਸਕ੍ਰੀਨਿੰਗ (high-throughput screening) ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਇਸ ਦੀ ਬਜਾਏ, AI ਕੰਪਿਊਟਰ 'ਤੇ ਅਣੂਆਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ, ਅਸੰਭਾਵੀ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਵਧੀਆ ਰਚਨਾਵਾਂ ਨੂੰ ਹੀ ਲੈਬ ਵਿੱਚ ਭੇਜਦਾ ਹੈ।

AI-ਲੈਬ ਫੀਡਬੈਕ ਲੂਪ

ਇੱਕ ਵਾਰ ਅਣੂ ਤਿਆਰ ਹੋ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਸਵੈਚਾਲਿਤ ਯੰਤਰ ਇਸਦੀ ਗਤੀਵਿਧੀ, ਜ਼ਹਿਰੀਲੇਪਣ (toxicity) ਅਤੇ ਹੋਰ ਮੁੱਖ ਮਾਪਦੰਡਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਾਪਸ AI ਵਿੱਚ ਭੇਜੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਅਗਲੇ ਰਾਊਂਡ ਲਈ ਇਸਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਹੋਰ ਸਹੀ ਬਣਾਉਂਦੇ ਹਨ। ਇਸ "ਕਲੋਜ਼ਡ-ਲੂਪ" (closed-loop) ਸਿਸਟਮ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਨੁੱਖੀ ਵਿਗਿਆਨੀ ਅਜ਼ਮਾਉਣ ਅਤੇ ਗਲਤੀ (trial-and-error) ਕਰਨ ਵਿੱਚ ਘੱਟ ਸਮਾਂ ਬਿਤਾਉਂਦੇ ਹਨ ਅਤੇ ਉਸ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਵਧੇਰੇ ਸਮਾਂ ਲਗਾਉਂਦੇ ਹਨ ਜਿਸ ਨੂੰ ਐਲਗੋਰਿਦਮ ਪਹਿਲਾਂ ਹੀ ਸੀਮਤ ਕਰ ਚੁੱਕਾ ਹੁੰਦਾ ਹੈ।

ਕੋਈ ਕੰਪਾਊਂਡ ਬਣਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਕਿ ਉਹ ਕਿਵੇਂ ਕੰਮ ਕਰੇਗਾ, ਇਹ ਤਰੀਕਾ ਹਜ਼ਾਰਾਂ ਨਾਕਾਮ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਟਾਲ ਸਕਦਾ ਹੈ। ਟੈਸਟਾਂ (assays) ਦਾ ਸਵੈਚਾਲੀਕਰਨ ਵੈਲੀਡੇਸ਼ਨ ਫੇਜ਼ (validation phase) ਨੂੰ ਹੋਰ ਵੀ ਛੋਟਾ ਕਰ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਉਮੀਦਵਾਰ ਰਵਾਇਤੀ ਸਮੇਂ ਦੇ ਇੱਕ ਹਿੱਸੇ ਵਿੱਚ ਹੀ ਕੰਪਿਊਟਰ ਤੋਂ ਲੈਬ ਬੈਂਚ ਅਤੇ ਫਿਰ ਨਾਮਜ਼ਦਗੀ ਤੱਕ ਪਹੁੰਚ ਸਕਦਾ ਹੈ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੋਵੇਗਾ ਅਤੇ ਕੌਣ ਪਿੱਛੇ ਰਹਿ ਸਕਦਾ ਹੈ

ਇਸ ਦੇ ਉਲਟ, ਉਹ ਫਰਮਾਂ ਜੋ ਰਵਾਇਤੀ ਸਕ੍ਰੀਨਿੰਗ ਵਿਧੀਆਂ ਨਾਲ ਚੱਲ ਰਹੀਆਂ ਹਨ, ਉਹ ਪਿੱਛੇ ਰਹਿ ਸਕਦੀਆਂ ਹਨ।

ਸਾਵਧਾਨੀਆਂ ਅਤੇ ਅਗਲਾ ਰਾਹ

AI-ਮਦਦਗਾਰ ਖੋਜ ਦਾ ਵਾਅਦਾ ਸਖ਼ਤ ਵੈਲੀਡੇਸ਼ਨ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦਾ। ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਉੱਨਾ ਹੀ ਚੰਗੇ ਹੁੰਦੇ ਹਨ ਜਿੰਨਾ ਉਹ ਡੇਟਾ ਜਿਸ 'ਤੇ ਉਹ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਸੈੱਟਾਂ ਵਿੱਚ ਪੱਖਪਾਤ ਸੁਰੱਖਿਆ ਸੰਕੇਤਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਾਲਾਂਕਿ ਨੌਂ ਮਹੀਨਿਆਂ ਦਾ ਅੰਕੜਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਇਸ ਤਰੀਕੇ ਨੂੰ ਕਈ ਟਾਰਗੇਟਸ 'ਤੇ ਲਾਗੂ ਕਰਨ ਨਾਲ ਅਜਿਹੀਆਂ ਰੁਕਾਵਟਾਂ ਸਾਹਮਣੇ ਆ ਸਕਦੀਆਂ ਹਨ ਜੋ ਅਜੇ ਤੱਕ ਸਾਹਮਣੇ ਨਹੀਂ ਆਈਆਂ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

ਨੌਂ ਮਹੀਨਿਆਂ ਦਾ ਇਹ ਮੀਲ ਪੱਥਰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਦਵਾਈ ਦੀ ਖੋਜ ਦੀ ਰਸਾਇਣ ਵਿਗਿਆਨ ਹੁਣ ਸਿਰਫ਼ ਲੈਬਾਰਟਰੀ ਬੈਂਚ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਰਹੀ। ਜਦੋਂ ਐਲਗੋਰਿਦਮ ਇੱਕ ਵਿਵਹਾਰਕ ਅਣੂ ਦਾ ਖਾਕਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਮਸ਼ੀਨਾਂ ਕੁਝ ਦਿਨਾਂ ਵਿੱਚ ਇਸਦੀ ਜਾਂਚ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਪੂਰੀ ਸਮਾਂ-ਸੀਮਾ ਘਟ ਜਾਂਦੀ ਹੈ। ਕੀ ਇਹ ਘਟਾਅਟ ਇੱਕ ਨਵਾਂ ਮਾਪਦੰਡ ਬਣੇਗੀ, ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ ਕਿ ਈਕੋਸਿਸਟਮ—ਕੰਪਨੀਆਂ, ਨਿਵੇਸ਼ਕ, ਨਿਯਮਕ ਅਤੇ ਮਰੀਜ਼—ਉਸ ਦੁਨੀਆ ਦੇ ਨਾਲ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਕੂਲਿਤ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ "ਫਿਜ਼ੀਕਲ AI" ਭਵਿੱਖ ਦੀਆਂ ਦਵਾਈਆਂ ਦਾ ਪਹਿਲਾ ਖਾਕਾ ਲਿਖਦਾ ਹੈ।