اے آئی (AI) کس طرح ادویات کی دریافت (Drug Discovery) کے عمل کو بدل رہا ہے

چھیالیس دن۔

ایک اے آئی سسٹم کو فائبروسس (fibrosis) کے لیے دوا کا نیا امیدوار تلاش کرنے میں اتنا ہی وقت لگا۔

صنعت کا معیار پانچ سال اور 2 ارب ڈالر ہے۔

اے آئی نے صرف عمل کو بہتر نہیں بنایا بلکہ اسے 40 گنا تیز کر دیا ہے۔

یہ اب ہو رہا ہے۔ Insilico Medicine نے 46 دنوں میں دوا کے امیدوار کی شناخت کے لیے generative AI کا استعمال کیا۔ تب سے، اے آئی کے ذریعے ڈیزائن کی گئی ادویات فیز II (Phase II) کے کلینیکل ٹرائلز میں داخل ہو چکی ہیں۔

DeepMind نے 2024 میں AlphaFold 3 جاری کیا۔ یہ سیکنڈوں میں پروٹینز، DNA اور RNA کے 3D ڈھانچوں کی پیش گوئی کرتا ہے۔ اس کام کو مکمل کرنے میں پی ایچ ڈی (PhD) طلباء کو برسوں لگ جاتے تھے۔

روایتی ادویات کی دریافت سست اور مہنگی ہے:

  • ٹارگٹ کی شناخت (Target identification): 2 سے 3 سال کی تحقیق۔
  • ہٹ ڈسکوری (Hit discovery): لاکھوں مرکبات (compounds) کی جانچ میں 1 سے 2 سال۔
  • لیڈ آپٹیمائزیشن (Lead optimization): کیمیائی تبدیلیوں میں 2 سے 3 سال۔
  • پری کلینیکل ٹیسٹنگ (Preclinical testing): اینیمل ماڈلز پر 1 سے 2 سال۔
  • کلینیکل ٹرائلز (Clinical trials): انسانی تجربات کے لیے 6 سے 7 سال۔

اس کا نتیجہ 90% ناکامی کی شرح اور بھاری اخراجات کی صورت میں نکلتا ہے۔

اے آئی ہر مرحلے پر اس عمل (pipeline) کو بدل دیتا ہے:

  • ٹارگٹ کی شناخت: اے آئی ماڈلز بیماریوں کے روابط تلاش کرنے کے لیے genomics اور proteomics کا تجزیہ کرتے ہیں۔ Graph neural networks ایسے ٹارگٹس تلاش کرتے ہیں جو انسانوں سے چھوٹ جاتے ہیں۔
  • مالیکیول ڈیزائن: پرانے مرکبات کی جانچ کرنے کے بجائے، generative AI نئے مرکبات تخلیق کرتا ہے۔ VAEs اور GANs جیسے ماڈلز مخصوص خصوصیات والے مالیکیولز ڈیزائن کرتے ہیں۔
  • ڈھانچے کی پیش گوئی (Structure Prediction): AlphaFold 3 ادویات ڈیزائن کرنے کے لیے ضروری 3D نقشے فراہم کرتا ہے۔ یہ فوری طور پر دکھاتا ہے کہ مالیکیولز پروٹینز کے ساتھ کیسے جڑتے ہیں۔

اعداد و شمار اس تبدیلی کو ظاہر کرتے ہیں:

  • ٹارگٹ سے لیڈ تک کا وقت: 3 سے 5 سال بمقابلہ 12 سے 18 ماہ۔
  • اسکرین کیے گئے مرکبات: 100,000 بمقابلہ 1 ارب سے زیادہ ورچوئل مرکبات۔
  • کلینیکل کامیابی: ابتدائی ڈیٹا کے مطابق تقریباً 10% بمقابلہ 20%۔

اگر آپ سافٹ ویئر انجینئر ہیں، تو اس شعبے کو آپ کی ضرورت ہے۔ ادویات کی دریافت اب ڈیٹا اور کمپیوٹنگ کا مسئلہ بن چکی ہے۔

آپ ان سے آغاز کر سکتے ہیں:

  • SMILES strings: مالیکیولز کے لیے ٹیکسٹ فارمیٹ۔
  • RDKit: کیمسٹری کے لیے ایک Python لائبریری۔
  • عوامی ڈیٹا سیٹس (Public datasets): ChEMBL اور PubChem۔
  • پری ٹرینڈ ماڈلز (Pretrained models): HuggingFace پر ChemBERTa۔

اے آئی راتوں رات سب کچھ ٹھیک نہیں کر دے گا۔ ڈیٹا کے معیار اور مصنوعی تیاری (synthetic difficulty) جیسے چیلنجز اب بھی موجود ہیں۔ لیکن یہ تبدیلی مستقل ہے۔ اے آئی طب کو تیز رفتار اور زیادہ منظم بنا رہا ہے۔

اے آئی سائنس کا کون سا شعبہ آپ کو سب سے زیادہ پرجوش کرتا ہے؟ مجھے کمنٹس میں بتائیں۔

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

اختیاری لرننگ کمیونٹی: https://t.me/GyaanSetuAi