Anthropic نے نظر انداز شدہ بیماریوں کو نشانہ بنانے کے لیے ڈرگ ڈسکوری میں قدم رکھ دیا

Anthropic، LLMs سے آگے بڑھتے ہوئے مخصوص ڈرگ ڈسکوری پروگرام شروع کر رہا ہے جن کا مقصد ایسی نظر انداز شدہ بیماریاں ہیں جنہیں روایتی بڑی فارما کمپنیاں اکثر غیر منافع بخش سمجھتی ہیں۔ یہ تزویراتی اقدام کمپنی کے نئے "Claude Science" ٹول کا فائدہ اٹھاتا ہے تاکہ پری کلینیکل تحقیق کو تیز کیا جا سکے اور حقیقی دنیا کے حیاتیاتی ڈیٹا کے ذریعے AI ماڈلز کو بہتر بنایا جا سکے۔

Claude Science: حیاتیاتی بصیرت کو تیز کرنا

ان پروگراموں کا اعلان "Claude Science" کے انکشاف کے ساتھ ہوا، جو کہ پیچیدہ سائنسی استدلال کو سنبھالنے کے لیے ڈیزائن کیا گیا ایک AI ٹول ہے۔ Anthropic نے حیرت انگیز مثالوں کے ساتھ اس ٹول کی فوری افادیت کا مظاہرہ کیا: UCSF کے ایک محقق نے چند منٹوں میں وائرل آلودگی کی نشاندہی کرنے کے لیے Claude Science کا استعمال کیا—ایک ایسی غلطی جو انسانی ٹیم کی نظروں سے پورے ایک سال تک اوجھل رہی تھی۔ مزید برآں، اس ماڈل نے ایک گھنٹے سے بھی کم وقت میں 100 نایاب جینیاتی بیماریوں کا تجزیہ کیا، اور کمپیوٹیشنل اسکریننگ کے لیے 32 امیدواروں کی کامیابی سے نشاندہی کی۔

دوا کی تیاری کے ابتدائی مراحل میں براہ راست شامل ہو کر، Anthropic کا ارادہ ہے کہ وہ 'ویٹ لیب' (wet lab) کے براہ راست تجربے کو زیادہ قابل اور سائنسی طور پر درست AI ماڈلز بنانے کے لیے استعمال کرے، تاکہ ڈیجیٹل استدلال اور حیاتیاتی حقیقت کے درمیان فرق کو ختم کیا جا سکے۔

ترقیاتی ٹائم لائنز اور تاخیر (Latency) میں کمی

فارماسیوٹیکل انڈسٹری کو اس وقت بڑے پیمانے پر عدم کارکردگی کا سامنا ہے۔ Novartis کے CEO Vas Narasimhan نے نوٹ کیا کہ کسی دوا کو منظوری تک پہنچانے میں عام طور پر بارہ سال لگتے ہیں، ایک ایسا عمل جو معلومات کی تاخیر (information latency)، آپریشنل تاخیر (operational latency) اور حیاتیاتی تاخیر (biological latency) کی وجہ سے رکاوٹ کا شکار ہوتا ہے۔

اگرچہ حیاتیاتی تاخیر (کلینیکل ٹرائلز اور جانوروں پر تجربات) کو کم کرنا مشکل ہے، لیکن AI پہلے دو زمروں کو نشانہ بنا سکتا ہے، جو ترقیاتی چکر کا تقریباً 40% حصہ ہیں۔ Anthropic کے اس طریقہ کار کا مقصد کل ٹائم لائن کو بارہ سال سے کم کر کے سات یا آٹھ سال کرنا ہے۔ مزید برآں، مالیکیولر خصوصیات کو بہتر بنا کر اور حفاظتی پیش گوئیوں کو بہتر بنا کر، AI دواؤں کی کامیابی کی شرح کو موجودہ 8% سے بڑھا کر 16% تک دوگنا کر سکتا ہے۔ یہ دیکھتے ہوئے کہ انڈسٹری تحقیق اور ترقی (R&D) پر سالانہ 150 سے 200 ارب ڈالر خرچ کرتی ہے جبکہ پیداوار نسبتاً کم ہے، یہ معمولی اضافے بھی علاج کی افادیت میں ایک بڑی تبدیلی کی نمائندگی کرتے ہیں۔

صحت کی دیکھ بھال میں بڑھتی ہوئی AI کی ہتھیاروں کی دوڑ (Arms Race)

Anthropic کا یہ قدم اسے تیزی سے بدلتے ہوئے بائیوٹیک منظر نامے میں براہ راست مقابلے اور تعاون کی پوزیشن میں لاتا ہے۔ اس شعبے میں پہلے سے ہی بڑے کھلاڑی مخصوص ماڈلز کا استعمال کر رہے ہیں:

  • Google DeepMind & Isomorphic Labs: ڈرگ ڈسکوری میں انقلاب لانے کے لیے پروٹین کے ڈھانچے کی پیش گوئی کے لیے AlphaFold کا استعمال کر رہے ہیں۔
  • OpenAI: ChatGPT Health کے ذریعے مریضوں کے مرکز میں رہنے والے ٹولز تک توسیع کر رہا ہے، جو طبی ریکارڈ اور Apple Health ڈیٹا کو یکجا کرتا ہے۔
  • Google DeepMind (Clinical): "AI Co-Clinician" ماڈلز کی طرف بڑھ رہا ہے جو سہ فریقی دیکھ بھال (triadic care) کے ذریعے طبیبوں کی مدد کے لیے ڈیزائن کیے گئے ہیں۔

اگرچہ انقلابی علاج کے امکانات بے پناہ ہیں، لیکن آکسفورڈ یونیورسٹی کی ماہر Catherine Pope جیسے ماہرین خبردار کرتے ہیں کہ AI ماڈلز کو اب بھی یہ ثابت کرنا ہوگا کہ وہ اصل کلینیکل پریکٹس کی "پیچیدہ اور الجھی ہوئی انسانی دنیا" میں کام کر سکتے ہیں۔

اہم نکات

  • غیر منافع بخش شعبوں کو نشانہ بنانا: Anthropic اپنے مشن کو پورا کرنے اور ماڈل کی تربیت کے لیے اعلیٰ معیار کا حیاتیاتی ڈیٹا جمع کرنے کے لیے نظر انداز شدہ بیماریوں پر توجہ مرکوز کر رہا ہے۔
  • کارکردگی میں اضافہ: AI پر مبنی ڈرگ ڈسکوری کا مقصد ترقیاتی ٹائم لائن کو چار سال تک کم کرنا اور کلینیکل کامیابی کی شرح کو ممکنہ طور پر دوگنا کرنا ہے۔
  • سائنسی تصدیق: Claude Science جیسے ٹولز پہلے ہی پیچیدہ کام انجام دینے کی صلاحیت کا مظاہرہ کر رہے ہیں، جیسے کہ ایک گھنٹے سے بھی کم وقت میں 100 نایاب بیماریوں کا تجزیہ کرنا۔