புறக்கணிக்கப்பட்ட நோய்களைக் குறிவைக்க மருந்து கண்டுபிடிப்புத் துறையில் Anthropic நுழைகிறது

பாரம்பரிய பெரிய மருந்து நிறுவனங்கள் (Big Pharma) பெரும்பாலும் லாபமற்றவை எனக் கருதும் புறக்கணிக்கப்பட்ட நோய்களைக் குறிவைக்கும் பிரத்யேக மருந்து கண்டுபிடிப்புத் திட்டங்களைத் தொடங்குவதன் மூலம், Anthropic தனது எல்லையை LLM-களுக்கு அப்பால் விரிவுபடுத்துகிறது. இந்த மூலோபாய நகர்வு, முன் மருத்துவ ஆராய்ச்சியை (preclinical research) விரைவுபடுத்தவும், நிஜ உலக உயிரியல் தரவுகள் மூலம் AI மாதிரிகளைச் செம்மைப்படுத்தவும் நிறுவனத்தின் புதிய "Claude Science" கருவியைப் பயன்படுத்துகிறது.

Claude Science: உயிரியல் நுண்ணறிவுகளை விரைவுபடுத்துதல்

இந்தத் திட்டங்களின் அறிவிப்பு, சிக்கலான அறிவியல் ரீதியான காரணங்களை (scientific reasoning) கையாளும் வகையில் வடிவமைக்கப்பட்ட "Claude Science" என்ற AI கருவியின் அறிமுகத்துடன் இணைந்து நிகழ்ந்தது. Anthropic இந்த கருவியின் உடனடிப் பயனை வியக்கத்தக்க உதாரணங்களுடன் வெளிப்படுத்தியது: UCSF-இல் உள்ள ஒரு ஆராய்ச்சியாளர், ஒரு மனிதக் குழு ஒரு முழு ஆண்டாகக் கவனிக்கத் தவறிய வைரஸ் மாசுபாட்டை (viral contamination) Claude Science மூலம் சில நிமிடங்களில் கண்டறிந்தார். மேலும், இந்த மாதிரி ஒரு மணி நேரத்திற்கும் குறைவான நேரத்தில் 100 அரிய மரபணு நோய்களை ஆய்வு செய்து, கணக்கீட்டுத் திரையிடலுக்காக (computational screening) 32 சாத்தியக்கூறுகளை வெற்றிகரமாகக் கண்டறிந்தது.

ஆரம்பக்கட்ட மருந்து மேம்பாட்டில் நேரடியாக ஈடுபடுவதன் மூலம், டிஜிட்டல் பகுத்தறிவுக்கும் உயிரியல் உண்மைக்கும் இடையிலான இடைவெளியைக் குறைத்து, மிகவும் திறமையான மற்றும் அறிவியல் ரீதியாகத் துல்லியமான AI மாதிரிகளை உருவாக்க, 'wet lab'-இல் நேரடி அனுபவத்தைப் பயன்படுத்த Anthropic திட்டமிட்டுள்ளது.

மேம்பாட்டு காலக்கெடு மற்றும் தாமதங்களைக் குறைத்தல்

மருந்துத் துறை தற்போது மிகப்பெரிய திறமையின்மையைக் எதிர்கொண்டுள்ளது. ஒரு மருந்தை அங்கீகரிக்கக் கொண்டுவருவதற்கு பொதுவாக பன்னிரண்டு ஆண்டுகள் ஆகின்றன என்றும், தகவல் தாமதம் (information latency), செயல்பாட்டுத் தாமதம் (operational latency) மற்றும் உயிரியல் தாமதம் (biological latency) ஆகியவற்றால் இந்த செயல்முறை பாதிக்கப்படுகிறது என்றும் Novartis CEO Vas Narasimhan குறிப்பிட்டுள்ளார்.

உயிரியல் தாமதத்தை (மருத்துவச் சோதனைகள் மற்றும் விலங்குச் சோதனைகள்) குறைப்பது கடினம் என்றாலும், மேம்பாட்டுச் சுழற்சியில் சுமார் 40% பங்களிக்கும் முதல் இரண்டு வகைகளை AI இலக்கு வைக்க முடியும். Anthropic-இன் அணுகுமுறை மொத்த காலக்கெடுவை பன்னிரண்டு ஆண்டுகளில் இருந்து ஏழு அல்லது எட்டு ஆண்டுகளாகக் குறைக்க முயல்கிறது. கூடுதலாக, மூலக்கூறு பண்புகளை மேம்படுத்துவதன் மூலமும் (optimizing molecular properties) பாதுகாப்பு முன்னறிவிப்புகளைச் செம்மைப்படுத்துவதன் மூலமும், AI மருந்துகளின் வெற்றி விகிதத்தை தற்போதைய 8%-லிருந்து 16%-ஆக இரட்டிப்பாக்கக்கூடும். மருந்துத் துறை ஆண்டுதோறும் R&D-க்காக $150 முதல் $200 பில்லியன் வரை செலவழித்தாலும், அதன் வெளியீடு ஒப்பீட்டளவில் குறைவாகவே உள்ளது என்பதைக் கருத்தில் கொள்ளும்போது, இந்தச் சிறு முன்னேற்றங்கள் கூட மருத்துவச் சாத்தியக்கூறுகளில் ஒரு மிகப்பெரிய மாற்றத்தைக் குறிக்கின்றன.

சுகாதாரத் துறையில் வளர்ந்து வரும் AI ஆயுதப் போட்டி

Anthropic-இன் இந்த நகர்வு, வேகமாக வளர்ந்து வரும் பயோடெக் (biotech) சூழலில் நேரடிப் போட்டி மற்றும் ஒத்துழைப்பிற்கு அதனை உட்படுத்துகிறது. இத்துறையில் ஏற்கனவே முன்னணி நிறுவனங்கள் சிறப்பு மாதிரிகளைப் (specialized models) பயன்படுத்துகின்றன:

• Google DeepMind & Isomorphic Labs: மருந்து கண்டுபிடிப்பில் புரட்சியை ஏற்படுத்த AlphaFold மூலம் புரதக் கட்டமைப்பைக் (protein structure) கணிப்பதில் ஈடுபடுகின்றன.
• OpenAI: மருத்துவப் பதிவுகள் மற்றும் Apple Health தரவுகளை ஒருங்கிணைக்கும் ChatGPT Health மூலம் நோயாளி மையக் கருவிகளை (patient-centric tools) விரிவுபடுத்துகிறது.
• Google DeepMind (Clinical): மருத்துவர்களுக்குத் துணையாக இருக்கும் வகையில் வடிவமைக்கப்பட்ட "AI Co-Clinician" மாதிரிகளை நோக்கி நகர்கிறது.

புரட்சிகரமான சிகிச்சைகளுக்கான சாத்தியக்கூறுகள் மிகப்பெரியதாக இருந்தாலும், உண்மையான மருத்துவ நடைமுறையின் "குழப்பமான, சிக்கலான, மனித உலகத்தை" AI மாதிரிகளால் கையாள முடியும் என்பதை அவை இன்னும் நிரூபிக்க வேண்டும் என்று ஆக்ஸ்போர்டு பல்கலைக்கழகத்தைச் சேர்ந்த Catherine Pope போன்ற நிபுணர்கள் எச்சரிக்கின்றனர்.

முக்கியக் குறிப்புகள்

• லாபமற்ற சந்தைகளைக் குறிவைத்தல்: Anthropic தனது இலட்சியத்தை நிறைவேற்றவும், மாதிரிப் பயிற்சிக்காக (model training) உயர்தர உயிரியல் தரவுகளைச் சேகரிக்கவும் புறக்கணிக்கப்பட்ட நோய்களில் கவனம் செலுத்துகிறது.
• திறன் மேம்பாடு: AI சார்ந்த மருந்து கண்டுபிடிப்பு, மேம்பாட்டு காலக்கெடுவை நான்கு ஆண்டுகள் வரை குறைக்க முயல்கிறது மற்றும் மருத்துவ வெற்றி விகிதத்தை இரட்டிப்பாக்க வாய்ப்புள்ளது.
• அறிவியல் சரிபார்ப்பு: Claude Science போன்ற கருவிகள், ஒரு மணி நேரத்திற்கும் குறைவான நேரத்தில் 100 அரிய நோய்களை ஆய்வு செய்வது போன்ற சிக்கலான பணிகளைச் செய்யும் திறனை ஏற்கனவே வெளிப்படுத்தி வருகின்றன.