روایتی فارماسیوٹیکل R&D پائپ لائن اپنی دہائیوں پر محیط مدت اور آسمان چھونے والی لاگت کی وجہ سے بدنام ہے، لیکن مشرق میں ایک بنیادی تبدیلی (paradigm shift) جاری ہے۔ جنریٹیو AI کو خودکار لیبارٹری تحقیق کے ساتھ مربوط کر کے، بائیوٹیک موجدین قابلِ عمل ادویات کے امیدواروں کی شناخت کے لیے درکار وقت کو سالوں سے کم کر کے محض مہینوں میں لے آئے ہیں۔

Insilico Medicine نے AI سے چلنے والی R&D کے ساتھ ریکارڈ توڑ دیے

اس تکنیکی تبدیلی کی قیادت Insilico Medicine کر رہی ہے، جو ہانگ کانگ میں لسٹڈ ایک بائیوٹیکنالوجی فرم ہے اور ادویات کی تیاری کی رفتار کو نئے سرے سے متعارف کروا رہی ہے۔ سی ای او Alex Zhavoronkov کے مطابق، کمپنی نے ادویات کے ممکنہ امیدواروں کی تیاری کے دورانیے کو تقریباً ایک سال تک کم کرنے کے لیے مصنوعی ذہانت (AI) کا کامیابی سے استعمال کیا ہے۔

کارکردگی میں یہ اضافہ محض نظریاتی نہیں ہے؛ بلکہ یہ حقیقی دنیا کے معیار (benchmarks) میں نظر آ رہا ہے۔ اگرچہ کمپنی کا عام ترقیاتی چکر تقریباً 13 ماہ کا ہے، لیکن Insilico Medicine کے تیز ترین پروگرام نے محض نو ماہ میں امیدوار کی نامزدگی حاصل کر لی۔ یہ چھلانگ جدید AI ماڈلز کو سخت لیبارٹری تصدیق کے ساتھ ملا کر ممکن ہوئی ہے، جس سے ایک فیڈ بیک لوپ (feedback loop) تخلیق ہوا ہے جو ڈیجیٹل مفروضے سے جسمانی مالیکیول تک کے عمل کو تیز کرتا ہے۔

Generative AI اور لیبارٹری تحقیق کا باہمی ملاپ

اس بڑی کامیابی کا مرکز کمپیوٹیشنل طاقت اور حیاتیاتی تجربات کا ملاپ ہے۔ روایتی طریقوں کے برعکس، جو وسیع جسمانی لائبریریوں کی ہائی تھرو پٹ اسکریننگ پر انحصار کرتے ہیں، AI سے چلنے والا طریقہ کار مخصوص حیاتیاتی خصوصیات کے حامل نئے مالیکیولز ڈیزائن کرنے کے لیے جنریٹیو ماڈلز کا استعمال کرتا ہے۔

لیب میں سنتھیز (synthesis) ہونے سے پہلے ہی یہ پیش گوئی کر کے کہ مالیکیولز ٹارگٹ پروٹینز کے ساتھ کیسے عمل کریں گے، محققین ہزاروں ناکام تجربات سے بچ سکتے ہیں۔ جب ان AI پیش گوئیوں کو خودکار لیبارٹری ورک فلو—جسے اکثر "closed-loop" سسٹم کہا جاتا ہے—کے ساتھ مربوط کیا جاتا ہے، تو امیدوار کی تصدیق کا عمل بے مثال رفتار سے آگے بڑھتا ہے۔ یہ باہمی ملاپ سائنسدانوں کو اپنی دستی کوششوں کو سب سے زیادہ امید افزا نتائج پر مرکوز کرنے کی اجازت دیتا ہے، جس سے "trial and error" کا وہ مرحلہ نمایاں طور پر کم ہو جاتا ہے جو روایتی دوا کی دریافت کی خصوصیت رہا ہے۔

عالمی AI اور بائیوٹیک منظرنامے کے لیے اثرات

چین میں دیکھی گئی کامیابی عالمی بائیوٹیکنالوجی کے شعبے کے لیے ایک طاقتور "proof of concept" کے طور پر کام کرتی ہے۔ جیسے جیسے AI ماڈلز وسیع کیمیائی جگہ (chemical space) کو سمجھنے میں زیادہ ماہر ہوتے جا رہے ہیں، دوا کی دریافت کی "death valley"—وہ دورانیہ جہاں زیادہ تر امیدوار زہریلے پن یا اثر پذیری کی کمی کی وجہ سے ناکام ہو جاتے ہیں—کم ہونا شروع ہو گئی ہے۔

ڈیپ ٹیک (deep tech) کے شعبے میں کام کرنے والے ڈویلپرز اور بانیوں کے لیے، یہ پیش رفت ایک اہم رجحان کو اجاگر کرتی ہے: سب سے قیمتی AI ایپلی کیشنز اب ٹیکسٹ اور امیج جنریشن سے آگے بڑھ کر "physical AI" کے شعبوں میں داخل ہو رہی ہیں۔ حیاتیاتی ڈیٹا میں ہیرا پھیری کرنے اور جسمانی نتائج کی پیش گوئی کرنے کی صلاحیت کے بڑے معاشی اثرات ہیں، جو ممکنہ طور پر نایاب بیماریوں کے علاج کے لیے رکاوٹوں کو کم کر سکتی ہے اور عالمی سطح پر صحت کی دیکھ بھال کی مجموعی لاگت کو کم کر سکتی ہے۔

اہم نکات

  • وقت میں نمایاں کمی: Insilico Medicine نے ثابت کیا ہے کہ AI ادویات کے امیدواروں کی نامزدگی کے دورانیے کو نو ماہ تک کم کر سکتا ہے۔
  • ہائبرڈ طریقہ کار: یہ کامیابی جنریٹیو AI ڈیزائن اور خودکار لیبارٹری تصدیق کے امتزاج سے حاصل ہوئی ہے، جو روایتی trial-and-error طریقوں سے ہٹ کر ہے۔
  • R&D معاشیات میں تبدیلی: دریافت کے مرحلے میں سالوں سے مہینوں میں تبدیلی بائیوٹیکنالوجی کمپنیوں کے سرمائے اور تحقیق کی رفتار کے انتظام میں ایک بنیادی تبدیلی کی نمائندگی کرتی ہے۔

رفتار کیوں اہم ہے

دوا کی دریافت طویل عرصے سے ایک میراتھن کی طرح رہی ہے۔ کمپنیاں لاکھوں مرکبات کی چھان بین میں سالوں صرف کرتی ہیں، اور اکثر ایک مالیکیول کے کلینیکل ٹیسٹنگ تک پہنچنے سے پہلے ہی ناکام ہو جاتی ہیں۔ ایک مالیکیول کو تصور سے مارکیٹ تک لے جانے کی لاگت معمول کے مطابق اربوں ڈالرز تک پہنچ جاتی ہے، اور خاتمے کی شرح (attrition rate)—خاص طور پر ابتدائی "discovery" کے مرحلے میں—زیادہ رہتی ہے۔ چین میں، جہاں بائیوٹیک سیکٹر تیزی سے پھیل رہا ہے، ایک تیز رفتار پائپ لائن مقامی کمپنیوں کو قائم شدہ عالمی کھلاڑیوں پر مسابقتی برتری دے سکتی ہے اور جدید علاج (therapeutics) میں لیڈر بننے کے ملک کے عزائم کو تیز کر سکتی ہے۔

Insilico نے 9 ماہ کا ہدف کیسے حاصل کیا

ہانگ کانگ میں رجسٹرڈ Insilico Medicine اس ریکارڈ وقت کا سہرا تخلیقی مصنوعی ذہانت (Generative AI) اور خودکار لیبارٹری ورک فلو کے ملاپ کو دیتی ہے۔ Generative AI سے مراد وہ ماڈلز ہیں جو محض موجودہ ڈھانچوں کا جائزہ لینے کے بجائے نئے مالیکیولر ڈھانچے تخلیق کرتے ہیں۔ پروٹین ٹارگٹس اور مطلوبہ فارماکولوجیکل خصوصیات کے ڈیٹا کو الگورتھم میں شامل کر کے، یہ سسٹم ایسے نئے مرکبات تجویز کرتا ہے جن کے مؤثر طریقے سے جڑنے (bind) کی پیش گوئی کی جاتی ہے۔

کمپنی کے سی ای او، Alex Zhavoronkov کا کہنا ہے کہ یہ پلیٹ فارم عام طور پر کسی پروجیکٹ کو ٹارگٹ کی شناخت سے لے کر امیدوار کی نامزدگی تک تقریباً 13 ماہ میں مکمل کر دیتا ہے۔ اپنے تیز ترین دور میں، یہ عمل محض نو ماہ میں مکمل ہوا۔ اس کمی کی وجہ ان وسیع پیمانے پر موجود طبعی لائبریریوں کو نظر انداز کرنا ہے جن پر روایتی ہائی تھرو پٹ اسکریننگ کا انحصار ہوتا ہے؛ اس کے بجائے، AI کمپیوٹر پر مالیکیولز ڈیزائن کرتا ہے، غیر یقینی امیدواروں کو فلٹر کرتا ہے، اور صرف سب سے زیادہ امید افزا ڈھانچوں کو لیبارٹری بھیجتا ہے۔

اے آئی-لیب فیڈ بیک لوپ

ایک بار جب مالیکیول تیار (synthesize) ہو جاتا ہے، تو خودکار آلات اس کی فعالیت، زہریلے پن (toxicity) اور دیگر اہم پیمانوں کا تجربہ کرتے ہیں۔ یہ نتائج دوبارہ AI کو فراہم کیے جاتے ہیں، جس سے اگلے مرحلے کے لیے اس کی پیش گوئیوں میں بہتری آتی ہے۔ اس "کلوزڈ لوپ" سسٹم کا مطلب یہ ہے کہ انسانی سائنسدان تجربہ اور غلطی (trial-and-error) پر کم وقت صرف کرتے ہیں اور اس ڈیٹا کی تشریح پر زیادہ وقت لگاتے ہیں جسے الگورتھم پہلے ہی محدود کر چکا ہوتا ہے۔

کسی مرکب کے تیار ہونے سے پہلے ہی اس کے طرزِ عمل کی پیش گوئی کر کے، یہ طریقہ کار ہزاروں بے سود تجربات کو چھوڑ سکتا ہے۔ ایسے (assays) کی خودکاری تصدیقی مرحلے کو مزید مختصر کر دیتی ہے، جس سے ایک ہی امیدوار کمپیوٹر سے لیبارٹری کے بینچ تک اور پھر نامزدگی تک روایتی وقت کے ایک چھوٹے سے حصے میں پہنچ سکتا ہے۔

کسے فائدہ ہوگا اور کون پیچھے رہ سکتا ہے

اس کے برعکس، وہ کمپنیاں جو روایتی اسکریننگ طریقوں پر اڑی ہوئی ہیں، خود کو پیچھے چھوٹا ہوا پا سکتی ہیں۔

احتیاطی تدابیر اور مستقبل کا راستہ

اے آئی کے ذریعے تیز رفتار دریافت کا وعدہ سخت تصدیق کی ضرورت کو ختم نہیں کرتا۔ پیش گوئی کرنے والے ماڈلز صرف اتنے ہی اچھے ہوتے ہیں جتنا کہ وہ ڈیٹا جس پر انہیں تربیت دی گئی ہو، اور ٹریننگ سیٹس میں تعصبات (biases) حفاظتی اشاروں کو نظر انداز کرنے کا سبب بن سکتے ہیں۔ مزید برآں، اگرچہ نو ماہ کا یہ ہندسہ متاثر کن ہے، لیکن یہ محض ایک پروگرام کی نمائندگی کرتا ہے؛ اس طریقے کو متعدد ٹارگٹس پر لاگو کرنے سے ایسی رکاوٹیں سامنے آ سکتی ہیں جو ابھی تک ظاہر نہیں ہوئیں۔

آگے کیا دیکھنا ہے

نو ماہ کا یہ سنگ میل ظاہر کرتا ہے کہ ادویات کی دریافت کی کیمسٹری اب صرف لیبارٹری کے بینچ تک محدود نہیں رہی۔ جب الگورتھمز ایک قابل عمل مالیکیول کا خاکہ تیار کر سکتے ہیں اور مشینیں اسے دنوں میں ٹیسٹ کر سکتی ہیں، تو پورا ٹائم لائن سکڑ جاتا ہے۔ آیا یہ کمی ایک نیا معمول بنے گی یا نہیں، اس کا انحصار اس بات پر ہوگا کہ پورا ماحولیاتی نظام—کمپنیاں، سرمایہ کار، ریگولیٹرز اور مریض—اس دنیا کے ساتھ کتنی تیزی سے خود کو ڈھالتے ہیں جہاں "فزیکل اے آئی" کل کی ادویات کا پہلا مسودہ لکھتی ہے۔