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।
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:
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।
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 (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:
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:
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:
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।
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।
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।
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:
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:
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।
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।
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।
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।
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।