AI எவ்வாறு மருந்து கண்டுபிடிப்பை புரட்சிகரமாக்குகிறது

நாற்பத்தி ஆறு நாட்கள்.

ஃபைப்ரோஸிஸிற்கான (fibrosis) ஒரு புதிய மருந்து வேட்பாளரைக் கண்டறிய ஒரு AI அமைப்பு எடுத்துக்கொண்ட காலம் இதுதான்.

தொழில்துறையின் தரநிலை ஐந்து ஆண்டுகள் மற்றும் 2 பில்லியன் டாலர்கள் ஆகும்.

AI இந்த செயல்முறையை மேம்படுத்தியது மட்டுமல்ல, அதை 40 மடங்கு வேகமாக்கியது.

இது இப்போது நிகழ்ந்து கொண்டிருக்கிறது. Insilico Medicine ஒரு மருந்து வேட்பாளரை 46 நாட்களில் கண்டறிய generative AI-ஐப் பயன்படுத்தியது. அன்றிலிருந்து, AI மூலம் வடிவமைக்கப்பட்ட மருந்துகள் Phase II மருத்துவப் பரிசோதனைகளில் இணைந்துள்ளன.

DeepMind 2024 இல் AlphaFold 3-ஐ வெளியிட்டது. இது புரதங்கள் (proteins), DNA மற்றும் RNA ஆகியவற்றின் 3D கட்டமைப்புகளைச் சில நொடிகளில் கணிக்கிறது. இந்த வேலையை முடிக்க PhD மாணவர்கள் பல ஆண்டுகள் எடுத்துக்கொண்டனர்.

பாரம்பரிய மருந்து கண்டுபிடிப்பு மெதுவானது மற்றும் செலவு மிக்கது:

  • Target identification: 2 முதல் 3 ஆண்டுகள் ஆராய்ச்சி.
  • Hit discovery: மில்லியன் கணக்கான சேர்மங்களை (compounds) சோதிப்பதற்கான 1 முதல் 2 ஆண்டுகள்.
  • Lead optimization: வேதியியல் மாற்றங்களுக்கான 2 முதல் 3 ஆண்டுகள்.
  • Preclinical testing: விலங்கு மாதிரிகளுக்கான 1 முதல் 2 ஆண்டுகள்.
  • Clinical trials: மனித சோதனைகளுக்கான 6 முதல் 7 ஆண்டுகள்.

இதன் விளைவாக 90% தோல்வி விகிதமும் பெரும் செலவுகளும் ஏற்படுகின்றன.

AI ஒவ்வொரு நிலையிலும் இந்தச் செயல்முறையை மாற்றுகிறது:

  • Target Identification: நோய்களுடனான தொடர்பைக் கண்டறிய AI மாதிரிகள் genomics மற்றும் proteomics ஆகியவற்றை ஆய்வு செய்கின்றன. Graph neural networks மனிதர்களால் கவனிக்கப்படாத இலக்குகளைக் கண்டறிகின்றன.
  • Molecule Design: பழைய சேர்மங்களைச் சோதிப்பதற்குப் பதிலாக, generative AI புதியவற்றை உருவாக்குகிறது. VAEs மற்றும் GANs போன்ற மாதிரிகள் குறிப்பிட்ட பண்புகளைக் கொண்ட மூலக்கூறுகளை வடிவமைக்கின்றன.
  • Structure Prediction: மருந்துகளை வடிவமைக்கத் தேவையான 3D வரைபடங்களை AlphaFold 3 வழங்குகிறது. மூலக்கூறுகள் எவ்வாறு புரதங்களுடன் இணைகின்றன என்பதை இது உடனடியாகக் காட்டுகிறது.

அளவீடுகள் இந்த மாற்றத்தைக் காட்டுகின்றன:

  • Target-to-lead time: 3 முதல் 5 ஆண்டுகள் vs 12 முதல் 18 மாதங்கள்.
  • Compounds screened: 100,000 vs 1 பில்லியனுக்கும் அதிகமான மெய்நிகர் சேர்மங்கள் (virtual compounds).
  • Clinical success: ஆரம்ப தரவுகளின்படி தோராயமாக 10% vs 20%.

நீங்கள் ஒரு மென்பொருள் பொறியாளர் என்றால், இந்தத் துறை உங்களை எதிர்பார்க்கிறது. மருந்து கண்டுபிடிப்பு என்பது இப்போது ஒரு தரவு மற்றும் கணக்கீட்டு (data and compute) பிரச்சனையாக உள்ளது.

நீங்கள் இதிலிருந்து தொடங்கலாம்:

  • SMILES strings: மூலக்கூறுகளுக்கான உரை வடிவம் (text format).
  • RDKit: வேதியியலுக்கான ஒரு Python library.
  • Public datasets: ChEMBL மற்றும் PubChem.
  • Pretrained models: HuggingFace-இல் உள்ள ChemBERTa.

AI எல்லாவற்றையும் ஒரே இரவில் குணப்படுத்தாது. தரத்தின் தரம் மற்றும் செயற்கை தயாரிப்புத் திறன் (synthetic difficulty) போன்ற சவால்கள் இன்னும் உள்ளன. ஆனால் இந்த மாற்றம் நிரந்தரமானது. AI மருத்துவத்தை வேகமாகவும் முறையானதாகவும் மாற்றுகிறது.

AI அறிவியலின் எந்தத் துறை உங்களை அதிகம் உற்சாகப்படுத்துகிறது? கருத்துகளில் (comments) என்னிடம் சொல்லுங்கள்.

ஆதாரம்: https://dev.to/tyson_cung/how-ai-is-disrupting-drug-discovery-46-days-instead-of-5-years-58k0

விருப்பமான கற்றல் சமூகம்: https://t.me/GyaanSetuAi