paint-brush
एआई ड्रग डिस्कवरी: हाउ इट्स चेंजिंग द गेमद्वारा@itrex
574 रीडिंग
574 रीडिंग

एआई ड्रग डिस्कवरी: हाउ इट्स चेंजिंग द गेम

द्वारा ITRex10m2023/01/27
Read on Terminal Reader

बहुत लंबा; पढ़ने के लिए

एआई ड्रग डिस्कवरी में निवेश 2014 में 450 मिलियन डॉलर से बढ़कर 2021 में 58 बिलियन डॉलर हो गया। बायर, एस्ट्राजेनेका, टेकेडा, सनोफी, मर्क और फाइजर सहित सभी फार्मा दिग्गजों ने नए युग के एआई बनाने की उम्मीद में खर्च बढ़ा दिया है। समाधान।
featured image - एआई ड्रग डिस्कवरी: हाउ इट्स चेंजिंग द गेम
ITRex HackerNoon profile picture

एआई दवा की खोज में विस्फोट हो रहा है।


अतिप्रचारित या नहीं, एआई ड्रग डिस्कवरी में निवेश 2014 में 450 मिलियन डॉलर से बढ़कर 2021 में 58 बिलियन डॉलर हो गया। नए युग के एआई समाधान जो प्रक्रिया में लागत दक्षता, गति और सटीकता लाएंगे।


पारंपरिक दवा की खोज लंबे समय से कुख्यात रही है। बाजार में एक नई दवा लाने में कम से कम 10 साल लगते हैं और 1.3 अरब डॉलर खर्च होते हैं। और यह केवल उन दवाओं के मामले में है जो नैदानिक परीक्षणों में सफल होती हैं (केवल दस में से एक सफल होती है)।


इसलिए, हम दवाओं की खोज और डिजाइन करने के नए तरीके खोजने में रुचि रखते हैं।


एआई ने पहले से ही होनहार उम्मीदवार चिकित्सीय की पहचान करने में मदद की है, और इसमें साल नहीं, बल्कि महीने या दिन भी लगे हैं।


इस लेख में, हम पता लगाएंगे कि कैसे एआई ड्रग डिस्कवरी उद्योग को बदल रही है। हम सफलता की कहानियों, एआई लाभों और सीमाओं को देखेंगे। चलिए चलते हैं।

दवाओं की खोज कैसे की जाती है

दवा की खोज प्रक्रिया आम तौर पर वैज्ञानिकों द्वारा शरीर में एक लक्ष्य की पहचान करने के साथ शुरू होती है, जैसे कि एक विशिष्ट प्रोटीन या हार्मोन, जो रोग में शामिल है। फिर वे एक संभावित समाधान खोजने के लिए विभिन्न तरीकों का उपयोग करते हैं, एक ड्रग कैंडिडेट, जिसमें शामिल हैं:


  1. मौजूदा यौगिकों की स्क्रीनिंग : वैज्ञानिक पहले बनाए गए यौगिकों (प्राकृतिक उत्पादों या रसायनों) के पुस्तकालयों की जांच कर सकते हैं, यह जांचने के लिए कि उनमें से किसी में वांछित गतिविधि या लक्ष्य के साथ बातचीत है या नहीं।
  2. डे नोवो ड्रग डिज़ाइन : वे नए रासायनिक यौगिकों को विकसित करने के लिए कंप्यूटर मॉडलिंग और सिमुलेशन का उपयोग कर सकते हैं जो काम कर सकते हैं। इस दृष्टिकोण का उपयोग छोटी अणु दवाओं को बनाने के लिए किया जाता है, जो आकार में 1,500 डाल्टन से कम रासायनिक रूप से संश्लेषित यौगिक होते हैं।
  3. बायोलॉजिक्स : शोधकर्ता दवाओं के रूप में कार्य करने के लिए एंटीबॉडी, एंजाइम या प्रोटीन जैसे जैविक अणु भी उत्पन्न कर सकते हैं। इसमें जीवित जीवों से अणुओं को अलग करना या संश्लेषित करना शामिल है जो लक्ष्य के साथ बातचीत कर सकते हैं। छोटे अणुओं की तुलना में, ऐसे अणु आमतौर पर बड़े और अधिक जटिल होते हैं।
  4. पुनरुद्देश्य : वैज्ञानिक उन यौगिकों पर एक नज़र डाल सकते हैं जो किसी और चीज़ के लिए विकसित किए गए थे और देख सकते हैं कि क्या उनके पास रोग के लिए चिकित्सीय क्षमता है।


एक बार एक संभावित दवा उम्मीदवार (लीड कंपाउंड कहा जाता है) पाया जाता है, नैदानिक परीक्षणों पर जाने से पहले कोशिकाओं या जानवरों में इसका परीक्षण किया जाता है जिसमें तीन चरण शामिल होते हैं, स्वस्थ स्वयंसेवकों के छोटे समूहों से शुरू होते हैं, और फिर पीड़ित रोगियों के बड़े समूहों के लिए आगे बढ़ते हैं। विशिष्ट स्थिति।

एआई कैसे लगाया जाता है

आर्टिफिशियल इंटेलिजेंस विभिन्न तकनीकों और दृष्टिकोणों को शामिल करता है जिसमें मानव बुद्धि के तत्वों जैसे दृश्य धारणा, भाषण मान्यता, निर्णय लेने और भाषा समझ की नकल करने के लिए परिष्कृत कम्प्यूटेशनल विधियों का उपयोग करना शामिल है।


एआई ने 1950 के दशक में "अगर, तो नियम" की एक सरल श्रृंखला के रूप में वापस शुरू किया और दो दशक बाद अधिक जटिल एल्गोरिदम विकसित होने के बाद स्वास्थ्य सेवा में अपना रास्ता बनाया। 2000 के दशक में गहन शिक्षा के आगमन के बाद से, स्वास्थ्य सेवा में एआई अनुप्रयोगों का विस्तार हुआ है।


कुछ एआई प्रौद्योगिकियां दवा डिजाइन को सशक्त बना रही हैं।

मशीन लर्निंग

मशीन लर्निंग (एमएल) स्पष्ट रूप से प्रोग्राम किए बिना, डेटा से सीखने और उनके प्रदर्शन में सुधार करने के लिए कंप्यूटर एल्गोरिदम को प्रशिक्षित करने पर केंद्रित है।


एमएल समाधान शाखाओं की एक विविध सरणी को शामिल करते हैं, प्रत्येक अपनी अनूठी विशेषताओं और पद्धतियों के साथ। इन शाखाओं में पर्यवेक्षित और अनुपयोगी शिक्षा, साथ ही सुदृढीकरण सीखने शामिल हैं, और प्रत्येक के भीतर, विभिन्न एल्गोरिथम तकनीकें हैं जिनका उपयोग विशिष्ट लक्ष्यों को प्राप्त करने के लिए किया जाता है, जैसे कि रैखिक प्रतिगमन, तंत्रिका नेटवर्क और वेक्टर मशीनों का समर्थन। एमएल के कई अलग-अलग अनुप्रयोग क्षेत्र हैं, जिनमें से एक एआई ड्रग डिस्कवरी के क्षेत्र में है जहां यह निम्नलिखित को सक्षम बनाता है:


  • संभावित दवा उम्मीदवारों की पहचान करने के लिए यौगिकों की वर्चुअल स्क्रीनिंग
  • दवा प्रभावकारिता और विषाक्तता का भविष्य कहनेवाला मॉडलिंग
  • दवा विकास के लिए नए लक्ष्यों की पहचान
  • जीवित जीवों (डीएनए अनुक्रम, जीन अभिव्यक्ति स्तर, प्रोटीन संरचना, आदि) से एकत्रित बड़े पैमाने पर जीनोमिक और प्रोटिओमिक डेटा का विश्लेषण।
  • दवा की खुराक और उपचार के नियमों का अनुकूलन
  • उपचार के लिए रोगी की प्रतिक्रियाओं का पूर्वानुमान मॉडलिंग

ध्यान लगा के पढ़ना या सीखना

डीप लर्निंग (डीएल) कृत्रिम तंत्रिका नेटवर्क (एएनएन) के उपयोग पर आधारित एमएल का एक सबसेट है। एएनएन इंटरकनेक्टेड नोड्स, या "न्यूरॉन्स" से बने होते हैं, जो रास्ते से जुड़े होते हैं, जिन्हें "सिनैप्स" कहा जाता है। मानव मस्तिष्क की तरह, ये न्यूरॉन्स सूचनाओं को संसाधित करने और भविष्यवाणियां या निर्णय लेने के लिए मिलकर काम करते हैं। एक न्यूरल नेटवर्क में आपस में जुड़े न्यूरॉन्स की जितनी अधिक परतें होती हैं, वह उतना ही अधिक "गहरा" होता है।


पर्यवेक्षित और अर्ध-पर्यवेक्षित शिक्षण एल्गोरिदम के विपरीत, जो केवल संरचित डेटा में पैटर्न की पहचान कर सकते हैं, डीएल मॉडल असंरचित डेटा की विशाल मात्रा को संसाधित करने में सक्षम हैं और मनुष्यों से कम पर्यवेक्षण के साथ अधिक उन्नत भविष्यवाणियां करते हैं।


एआई दवा की खोज में, डीएल का उपयोग निम्न के लिए किया जाता है:


  • किसी लक्ष्य से जुड़ने की उच्च संभावना वाले हिट की पहचान करने के लिए कंपाउंड लाइब्रेरी की बेहतर वर्चुअल स्क्रीनिंग
  • बीमारी से जुड़े फेनोटाइप, रोग तंत्र या किसी दवा की विषाक्तता को समझने के लिए छवि-आधारित रूपरेखा
  • एक दवा कैसे अवशोषित, वितरित, चयापचय, और शरीर से उत्सर्जित (फार्माकोकाइनेटिक गुण) की अधिक सटीक भविष्यवाणी
  • ड्रग-टारगेट इंटरैक्शन और बाइंडिंग एफिनिटी की भविष्यवाणी
  • प्रोटीन की संरचना की भविष्यवाणी जो वर्तमान में पहचाने गए अधिकांश दवा लक्ष्यों के लिए जिम्मेदार है
  • वांछित भौतिक, रासायनिक और बायोएक्टिविटी गुणों के साथ उपन्यास दवा जैसे यौगिकों का निर्माण
  • नैदानिक परीक्षण प्रक्रियाओं और प्रोटोकॉल डिजाइन का स्वचालन

प्राकृतिक भाषा प्रसंस्करण (एनएलपी)

एनएलपी मानव भाषा का विश्लेषण, समझने और उत्पन्न करने के लिए डीएल मॉडल सहित भाषा विज्ञान, गणित और कंप्यूटर विज्ञान की तकनीकों के संयोजन पर निर्भर करता है। एआई ड्रग डिस्कवरी रिसर्च अक्सर निम्नलिखित को पूरा करने के लिए संरचित और असंरचित डेटा दोनों से जानकारी निकालने के लिए एनएलपी का उपयोग करता है:


  1. वैज्ञानिक साहित्य का पाठ खनन रासायनिक/दवा संस्थाओं, उनके लक्ष्यों और उपन्यास बीमारी से संबंधित मार्गों के बीच संबंधों की पहचान करने के लिए
  2. असंरचित इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) से संरचित जानकारी निकालना, जैसे रोगी जनसांख्यिकी, निदान और दवाएं
  3. सोशल मीडिया, समाचार लेख और अन्य स्रोतों से टेक्स्ट डेटा का विश्लेषण करके प्रतिकूल दवा घटनाओं की पहचान करना
  4. प्रोटोकॉल के आधार पर नैदानिक परीक्षण पात्रता मानदंड निर्धारित करना और रोगियों का परीक्षण से मिलान करना
  5. दवा की जानकारी का सारांश

एआई ड्रग डिस्कवरी अब चर्चा का विषय क्यों है

पिछले कुछ वर्षों में, फार्मास्युटिकल क्षेत्र की कंपनियों ने एआई को अपने अनुसंधान विधियों में शामिल करने के लिए कदम उठाए हैं। इसमें इन-हाउस एआई टीमों का निर्माण, एआई हेल्थकेयर पेशेवरों और डेटा विश्लेषकों को काम पर रखना, एआई फोकस के साथ स्टार्टअप्स का समर्थन करना और प्रौद्योगिकी फर्मों या अनुसंधान केंद्रों के साथ टीम बनाना शामिल है।


कारकों का एक संयोजन इस प्रवृत्ति को चला रहा है।

कंप्यूटर की बढ़ती शक्ति और नए एआई विकास

हाल की तकनीकी प्रगति ने एआई ड्रग डिस्कवरी रिसर्च के पारंपरिक फोकस को स्थानांतरित कर दिया है।

चूंकि क्षेत्र की अधिकांश कंपनियां ( बायोफार्माट्रेंड एआई रिपोर्ट के अनुसार 2022 में लगभग 150) छोटे अणुओं को डिजाइन करने में व्यस्त हैं, जो कम्प्यूटेशनल रूप से प्रतिनिधित्व करना और पैमाने पर तुलना करना आसान है, एआई के नए अनुप्रयोगों में भी रुचि बढ़ रही है। दवा की खोज में।


कई कंपनियां बायोलॉजिक्स (77 कंपनियों) को डिजाइन करने और बायोमार्कर की खोज करने के लिए एआई को अपनाने लगी हैं जो बीमारी की उपस्थिति या प्रगति का संकेत देती हैं (59)। अन्य सभी को शामिल करने वाले एआई ड्रग डिस्कवरी प्लेटफॉर्म के निर्माण, नए लक्ष्यों की पहचान करने, या ऑन्कोलॉजी बनाने पर ध्यान केंद्रित कर रहे हैं - विभिन्न संस्थाओं जैसे रासायनिक यौगिकों, प्रोटीन और बीमारियों के बीच संबंधों का संरचित प्रतिनिधित्व।

एआई टूल्स तक पहुंच बढ़ाना

चूंकि एआई प्रतिभा की कमी दूर होने का कोई संकेत नहीं दिखाती है, इसलिए एआई दवा की खोज में प्रवेश की बाधाएं वास्तव में कम हो गई हैं। टेक वेंडर और फार्मा दिग्गज तेजी से परिष्कृत एआई प्लेटफॉर्म जारी कर रहे हैं, जिसमें रेडी-टू-यूज नो-कोड और ड्रैग-एंड-ड्रॉप सिस्टम शामिल हैं जो गैर-एआई विशेषज्ञों को उनके शोध में कृत्रिम बुद्धिमत्ता को एकीकृत करने में सक्षम बनाते हैं। ये विकास उद्योग द्वारा एआई को तेजी से अपनाने में प्रमुख भूमिका निभा रहे हैं।

एआई-सक्षम सफलता की कहानियां

शिक्षा और उद्योग में एआई दवा खोज परियोजनाओं ने पहले ही दवा खोज की मूल्य श्रृंखला में पहले सफल परिणाम पेश कर दिए हैं। उदाहरणों में शामिल:


  • डीपमाइंड ने एआई सिस्टम अल्फाफोल्ड का निर्माण किया है जो प्रोटीन की 3डी संरचना की भविष्यवाणी उसके एक आयामी अमीनो एसिड अनुक्रम से महीनों या वर्षों के बजाय सेकंड में कर सकता है, जो सामान्य रूप से होता है। प्रणाली का उपयोग जानवरों, पौधों, बैक्टीरिया, कवक और अन्य जीवों से संबंधित 200 मिलियन से अधिक प्रोटीन संरचनाओं की भविष्यवाणी करने के लिए किया गया था।
  • वाशिंगटन विश्वविद्यालय के शोधकर्ताओं ने एक गहन शिक्षण मॉडल विकसित किया है जो 10 मिनट के भीतर प्रोटीन संरचनाओं की गणना करने के लिए गेमिंग कंप्यूटर का उपयोग करता है।
  • डीप जीनोमिक्स ने विल्सन डिजीज म्यूटेशन में सटीक रोग पैदा करने वाले तंत्र की भविष्यवाणी करने और 18 महीनों में DG12P1 दवा बनाने के लिए 2,400 से अधिक बीमारियों और 100,000 म्यूटेशन की जांच करने के लिए AI तकनीकों का उपयोग किया है।
  • अलादीन ने वर्चुअल स्क्रीनिंग, हिट-टू-लीड, लीड ऑप्टिमाइज़ेशन और प्रीक्लिनिकल चरण में व्यावसायिक उपयोग के लिए मालिकाना एआई ड्रग डिस्कवरी प्लेटफ़ॉर्म जारी किया है। इस मंच ने उम्र से संबंधित बीमारियों के संभावित उपचार के लिए अलादीन को कई दवा यौगिकों की पहचान करने में मदद की।
  • आईबीएम ने वाटसन सिस्टम को संज्ञानात्मक कंप्यूटिंग क्षमताओं के साथ विकसित किया है जिसका उपयोग फार्मास्युटिकल उद्योग द्वारा रोगियों को उनकी स्थिति के लिए सही-फिट क्लिनिकल परीक्षण के लिए किया जाता है। स्तन कैंसर के नैदानिक परीक्षण में, मंच ने नामांकन में 80% की वृद्धि और परीक्षण मिलान समय में कमी का प्रदर्शन किया।
  • AbCellera को COVID-19 के वायरल वेरिएंट को बेअसर करने के लिए एक मोनोक्लोनल एंटीबॉडी विकसित करने और यूएस फूड एंड ड्रग एडमिनिस्ट्रेशन (FDA) से अनुमोदन प्राप्त करने में तीन महीने से भी कम समय लगा है।
  • BenevolentAI ने कई दिनों में संभावित COVID-19 उपचार के रूप में बारिसिटिनिब को उजागर करने के लिए AI टूल के साथ अपने नॉलेज ग्राफ को संयोजित किया है।
  • BioXcel Therapeutics ने सिज़ोफ्रेनिया और द्विध्रुवी विकार वाले रोगियों के लिए शामक के रूप में डेक्समेडेटोमिडाइन की खोज को तेज कर दिया है। कंपनी ने डेक्समेडेटोमिडाइन (IgalmiTM) की अपनी मालिकाना सब्लिंगुअल फिल्म के लिए अपने पहले-इन-ह्यूमन ट्रायल के बाद चार साल से भी कम समय में FDA अनुमोदन प्राप्त कर लिया।
  • एआई का उपयोग करते हुए, एक्ससाइंटिया ने तीन छोटे अणुओं को दो साल की अवधि में नैदानिक परीक्षणों में प्रवेश करने के लिए डिज़ाइन किया है (अल्जाइमर रोग मनोविकार, जुनूनी-बाध्यकारी विकार और इम्यूनो-ऑन्कोलॉजी के उपचार के लिए)।
  • 2023 की शुरुआत में, इंसिलिको ने इडियोपैथिक पल्मोनरी फाइब्रोसिस (आईपीएफ) के इलाज के लिए एआई-खोजे गए उपन्यास लक्ष्य के लिए पहले एआई-डिज़ाइन किए गए उपन्यास अणु के चरण 1 नैदानिक परीक्षण में सकारात्मक टॉपलाइन परिणामों की सूचना दी।
  • 2021 में, 13 एआई-व्युत्पन्न बायोलॉजिक्स क्लिनिकल चरण में पहुंच गए, उनके उपचार क्षेत्रों में COVID-19, ऑन्कोलॉजी और न्यूरोलॉजी शामिल हैं।

एआई ड्रग डिस्कवरी में लाभ और चुनौतियां

एआई एक शक्तिशाली उपकरण है जो दवा उद्योग में क्रांति लाने का वादा करता है। बड़ी मात्रा में डेटा का विश्लेषण करने और भविष्यवाणियां करने की अपनी क्षमता के साथ, आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं को उन बाधाओं को दूर करने में मदद कर सकता है, जिन्होंने लंबे समय से दवा की खोज प्रक्रिया को सक्षम करके बाधित किया है:


  • खोज और प्रीक्लिनिकल चरणों के लिए कम समयसीमा
  • दवाओं की प्रभावकारिता और सुरक्षा पर अधिक सटीक भविष्यवाणियां
  • नशीली दवाओं के प्रभाव और रोगों में नई, अप्रत्याशित अंतर्दृष्टि
  • नई शोध लाइनें और नई आर एंड डी रणनीतियां
  • त्वरित विश्लेषण और स्वचालन के माध्यम से लागत बचत


इनसाइडर इंटेलिजेंस के अनुसार, एआई फार्मास्युटिकल उद्योग को दवा खोज लागत का 70% तक बचा सकता है। दवा की खोज में एआई की क्षमता वास्तव में रोमांचक है, लेकिन कुछ बाधाएं हैं जिन्हें पूरी तरह से फायदा उठाने के लिए सबसे पहले निपटने की जरूरत है।

आंकड़े

जब एआई की बात आती है, तो यह हमेशा डेटा इनपुट करने के लिए नीचे आता है। डेटा साइलो और लीगेसी सिस्टम जो उनके समेकन की अनुमति नहीं देंगे, किसी भी डोमेन में एआई अनुसंधान के लिए बड़ी बाधाएँ हैं। दवा उद्योग में यह समस्या और भी गंभीर हो सकती है।


फार्मास्युटिकल कंपनियाँ पारंपरिक रूप से डेटा साझा करने में खराब रही हैं , चाहे वह नैदानिक अध्ययनों के परिणाम हों या रोगी की पहचान की गई जानकारी, जबकि उनके पास मौजूद डेटा के भंडार उन सवालों के जवाब प्रदान कर सकते हैं जिन पर मूल शोधकर्ता ने कभी विचार नहीं किया।


जब अंततः डेटा साझा करने की बात आती है, तो यह अक्सर अधूरा, असंगत या पक्षपाती होता है, जैसा कि प्रोटीन-लिगैंड बाइंडिंग एफिनिटी की भविष्यवाणी करने के लिए उपयोग किए जाने वाले डेटासेट के मामले में होता है जो दवा की खोज के लिए महत्वपूर्ण हैं। कुछ मामलों में, डेटा पूरी आबादी को प्रतिबिंबित भी नहीं कर सकता है और एआई मॉडल वास्तविक दुनिया के परिदृश्यों में कम पड़ सकता है।

जटिलता

जैविक प्रणालियों की सरासर जटिलता एआई-सक्षम विश्लेषण और उनके व्यवहार में समय और स्थानिक परिवर्तनों की भविष्यवाणी को कठिन बनाती है।


जैविक प्रणालियों के भीतर बड़ी संख्या में जटिल और गतिशील अंतःक्रियाएं होती हैं जहां प्रत्येक तत्व जैसे प्रोटीन, जीन और कोशिकाओं के कई कार्य हो सकते हैं और कई कारकों से प्रभावित हो सकते हैं, जिनमें आनुवंशिक विविधताएं, पर्यावरणीय स्थितियां और रोग अवस्थाएं शामिल हैं।

विभिन्न तत्वों के बीच अन्योन्यक्रियाएं गैर-रैखिक भी हो सकती हैं, जिसका अर्थ है कि एक तत्व में छोटे परिवर्तन से समग्र प्रणाली में बड़े परिवर्तन हो सकते हैं। उदाहरण के लिए, एक एकल जीन जो कोशिका विभाजन को नियंत्रित करता है, ट्यूमर के विकास पर एक बड़ा प्रभाव डाल सकता है, या कई प्रोटीनों के बीच बातचीत से कोशिका के साइटोस्केलेटन जैसे अत्यधिक विशिष्ट और जटिल संरचनाओं का विकास हो सकता है।


एक और चुनौती एआई ड्रग डिस्कवरी टूल्स को संभालने के लिए योग्य कर्मचारियों की कमी है।

विवेचनीयता

एआई ड्रग डिस्कवरी में तंत्रिका नेटवर्क के उपयोग ने संभव की सीमाओं को आगे बढ़ाया है, लेकिन उनकी व्याख्या की कमी एक महत्वपूर्ण चुनौती बन गई है। ब्लैक बॉक्स के रूप में संदर्भित, ऐसे एआई मॉडल सबसे सटीक भविष्यवाणियां कर सकते हैं, लेकिन इंजीनियर भी उनके पीछे के तर्क की व्याख्या नहीं कर सकते हैं। यह गहन शिक्षा में विशेष रूप से चुनौतीपूर्ण है, जहां परतों की संख्या बढ़ने पर प्रत्येक परत के आउटपुट को समझने की जटिलता बढ़ जाती है।

पारदर्शिता की इस कमी से त्रुटिपूर्ण समाधान हो सकते हैं और शोधकर्ताओं, चिकित्सा पेशेवरों और नियामक निकायों के बीच एआई में विश्वास कम हो सकता है। इस चुनौती का समाधान करने के लिए व्याख्या योग्य, भरोसेमंद एआई के विकास की आवश्यकता बढ़ रही है।

समेट रहा हु

मरीजों के लिए खेल को बदलने वाली नई दवाएं उभरती रहती हैं।


1980 के दशक में एचआईवी को एड्स के कारण के रूप में पहचाने जाने के ठीक 15 साल बाद, दवा उद्योग ने एक मल्टी-ड्रग थेरेपी विकसित की है जो वायरस से प्रभावित लोगों को सामान्य जीवन जीने की अनुमति देती है। नोवार्टिस का ग्लीवेक ल्यूकेमिया रोगियों के जीवन को बढ़ाता है। वर्टेक्स फार्मास्युटिकल्स के इंसिवेक ने हेपेटाइटिस सी के इलाज की दरों को दोगुना कर दिया है। मर्क से कीट्रूडा मेलेनोमा को निकालने के लिए रोगियों की सर्जरी के बाद कैंसर के वापस आने के जोखिम को 35% तक कम कर देता है।


लेकिन सभी नई दवाएं समान नहीं बनाई जाती हैं।


जर्मनी में आयोजित 200 से अधिक नई दवाओं के हालिया विश्लेषण से पता चला है कि केवल 25% ने मौजूदा उपचारों पर महत्वपूर्ण लाभ प्रदान किया है। शेष दवाओं से या तो बहुत कम या कोई लाभ नहीं हुआ, या उनका प्रभाव अनिश्चित था।


दवा की खोज की महंगी और समय लगने वाली प्रकृति को देखते हुए, यह स्पष्ट है कि दवा उद्योग को बड़े बदलावों की आवश्यकता है। और यहीं पर एआई दवा की खोज एक भूमिका निभा सकती है। इस बात की पूरी संभावना है कि आर्टिफिशियल इंटेलिजेंस एक परिवर्तनकारी योगदान दे सकता है जो समय-समय पर क्लिनिक में तेजी लाने से परे है।


अपने खुद के एआई ड्रग डिस्कवरी प्रोजेक्ट के बारे में सोच रहे हैं? हमें एक पंक्ति ड्रॉप करें । स्वास्थ्य सेवा के लिए एआई समाधान बनाने के वर्षों के अनुभव के साथ, हम आपके सही साथी हैं।