संगठन बताता है कि शोधकर्ता अब “सूखी प्रयोगशालाओं” और “गीली प्रयोगशालाओं” को शामिल करते हुए एक सतत चक्र के माध्यम से काम करते हैं। शुष्क प्रयोगशालाओं में, वैज्ञानिक प्रोटीन का अध्ययन करने के लिए कंप्यूटर मॉडल का उपयोग करते हैं और एआई से नए प्रोटीन डिजाइन की भविष्यवाणी करने के लिए कहते हैं। गीली प्रयोगशालाओं में, शोधकर्ता उन प्रोटीनों का निर्माण करते हैं और परीक्षण करते हैं कि वे वास्तव में कैसे व्यवहार करते हैं। इन प्रयोगों के निष्कर्षों को फिर कंप्यूटर मॉडल में डाला जाता है, जिससे एआई को वास्तविक दुनिया के परिणामों से सीखने की अनुमति मिलती है। यह चक्र बार-बार दोहराया जाता है, जिससे शोधकर्ताओं को परीक्षण के हर दौर के साथ अपनी भविष्यवाणियों को बेहतर बनाने में मदद मिलती है।
यह दृष्टिकोण यह भी बदल रहा है कि वैज्ञानिक अपना समय कैसे व्यतीत करते हैं। अनुपयुक्त दवा उम्मीदवारों को खत्म करने के लिए सैकड़ों दोहराए जाने वाले प्रयोगों को करने के बजाय, एआई सूची को बहुत पहले ही सीमित कर सकता है। इससे शोधकर्ताओं को उन विचारों पर ध्यान केंद्रित करने की अनुमति मिलती है जिनके सफल होने की बेहतर संभावना है। हालाँकि, अंतिम निर्णय अभी भी वैज्ञानिकों पर निर्भर है जो किसी दवा को नैदानिक परीक्षण की ओर ले जाने से पहले प्रत्येक परिणाम का सावधानीपूर्वक विश्लेषण करते हैं।
प्रोटीन को समझने के लिए एआई को पढ़ाना
प्रोटीन अत्यंत जटिल अणु होते हैं। यहां तक कि उनकी संरचना में एक छोटा सा बदलाव भी मानव शरीर के अंदर उनके व्यवहार के तरीके को पूरी तरह से बदल सकता है। वर्षों तक, इन जटिल संरचनाओं का विश्लेषण दवा विकास के सबसे धीमे हिस्सों में से एक था क्योंकि डेटा की मात्रा पुराने कंप्यूटर सिस्टम के कुशलतापूर्वक संभालने के लिए बहुत बड़ी थी।
छवि क्रेडिट: भव्य | एआई वैज्ञानिकों को पहले की तुलना में कहीं अधिक तेजी से नई दवाएं खोजने में मदद कर रहा है
के अनुसार आइए विज्ञान पर बात करेंमशीन लर्निंग में प्रगति और तेज़ कंप्यूटिंग ने उस स्थिति को बदल दिया है। आधुनिक एआई मॉडल अब प्रोटीन डेटा के विशाल संग्रह के अंदर छिपे पैटर्न को पहचानने में सक्षम हैं। कुछ मामलों में, वे पूरी तरह से नए प्रोटीन डिज़ाइन भी सुझा सकते हैं जिन पर वैज्ञानिकों ने स्वयं विचार नहीं किया होगा।
इसका मतलब यह नहीं है कि हर नया डिज़ाइन स्वचालित रूप से एक दवा बन जाता है। इसका सीधा सा मतलब है कि शोधकर्ताओं के पास जांच के लिए अधिक आशाजनक विकल्प हैं। आंख मूंदकर खोज करने के बजाय, वैज्ञानिक ऐसे उम्मीदवारों से शुरुआत कर सकते हैं जिनके बारे में एआई का मानना है कि उनके काम करने की अधिक संभावना है। इससे वैज्ञानिक परीक्षण को प्रक्रिया के केंद्र में रखते हुए मूल्यवान शोध समय की बचत होती है।
मानव परीक्षण शुरू होने से पहले समस्याओं की भविष्यवाणी करना
संभावित दवा ढूंढना चुनौती का केवल एक हिस्सा है। शोधकर्ताओं को यह भी जानना होगा कि क्या वह दवा वास्तव में रोगियों में उपयोग के लिए व्यावहारिक होगी। एक महत्वपूर्ण कारक चिपचिपाहट है, या प्रोटीन घोल कितना गाढ़ा हो जाता है।
एक प्रोटीन जो बहुत गाढ़ा होता है उसे मरीज़ में इंजेक्ट करना मुश्किल हो सकता है। वर्षों के शोध के बाद उस समस्या का पता लगाने से समय और संसाधन दोनों बर्बाद होंगे। इससे बचने के लिए शोधकर्ताओं ने ऐम्जेन 83 एंटीबॉडी प्रोटीन से एकत्र डेटा का उपयोग करके एक मशीन लर्निंग मॉडल विकसित किया। वैज्ञानिकों ने उन प्रोटीनों के अमीनो एसिड अनुक्रमों की तुलना उनकी चिपचिपाहट के प्रयोगशाला माप से की।
एक बार जब मॉडल ने उन पैटर्न को सीख लिया, तो यह भविष्यवाणी कर सकता है कि व्यापक प्रयोगशाला कार्य शुरू होने से पहले नए डिज़ाइन किए गए एंटीबॉडी प्रोटीन में उच्च या निम्न चिपचिपापन होने की संभावना थी या नहीं। कंपनी का कहना है कि इससे शोधकर्ता बहुत पहले ही अनुपयुक्त उम्मीदवारों की पहचान कर सकते हैं और उन प्रोटीनों पर ध्यान केंद्रित कर सकते हैं जो विकास के लिए अधिक व्यावहारिक प्रतीत होते हैं।
के अनुसार
और पढ़ें: मेटा के एआई ग्लास विज्ञापनों पर इंस्टाग्राम को आलोचना का सामना क्यों करना पड़ रहा है? उपयोगकर्ता का दावा है कि गोपनीयता संबंधी चिंताओं के बीच उसकी प्रोफ़ाइल तस्वीर का उपयोग उसके प्रेमी के फ़ीड पर लक्षित विज्ञापन में किया गया था
बेहतर डेटा क्यों मायने रखता है?
विश्वसनीय जानकारी से सीखे बिना कृत्रिम बुद्धिमत्ता विश्वसनीय भविष्यवाणियाँ नहीं कर सकती। प्रयोगशाला में किया गया प्रत्येक प्रयोग एक और सबक बन जाता है जो भविष्य की भविष्यवाणियों को बेहतर बनाने में मदद करता है। इसीलिए वैज्ञानिकों का कहना है कि उच्च गुणवत्ता वाला डेटा आधुनिक दवा खोज के सबसे मूल्यवान हिस्सों में से एक है।
छवि क्रेडिट: भव्य | एआई विचार सुझा सकता है, पैटर्न का पता लगा सकता है और भविष्यवाणी कर सकता है कि कौन सी दवा उम्मीदवार आशाजनक दिख रही है
के अनुसार आइए विज्ञान पर बात करेंएक चुनौती यह है कि व्यक्तिगत फार्मास्युटिकल कंपनियां हर साल बहुत कम संख्या में प्रोटीन दवाएं विकसित करती हैं। यह एआई मॉडल को प्रशिक्षित करने के लिए उपलब्ध जानकारी की मात्रा को सीमित करता है। इस पर काबू पाने के लिए, शोधकर्ता एक ऐसी प्रणाली की खोज कर रहे हैं जिसे फ़ेडरेटेड लर्निंग के नाम से जाना जाता है।
इस दृष्टिकोण के तहत, कंपनियों को अपना गोपनीय शोध डेटा सौंपने की आवश्यकता नहीं है। इसके बजाय, वे अपनी जानकारी का उपयोग करके एक साझा मशीन लर्निंग मॉडल में सुधार करते हैं। फिर उन सुधारों को एक मजबूत वैश्विक मॉडल बनाने के लिए संयोजित किया जाता है, जबकि संवेदनशील कंपनी डेटा सुरक्षित रहता है। शोधकर्ताओं का मानना है कि इससे एआई को गोपनीयता या व्यावसायिक रहस्यों से समझौता किए बिना वैज्ञानिक ज्ञान की व्यापक रेंज से सीखने में मदद मिल सकती है।
एआई दवा की सबसे बड़ी समस्याओं में से एक को हल करने में मदद कर सकता है
तेजी से दवा खोज की आवश्यकता और भी जरूरी हो गई है क्योंकि कई मौजूदा दवाएं धीरे-धीरे अपनी शक्ति खो रही हैं। के अनुसार बीबीसीएंटीबायोटिक प्रतिरोध आधुनिक स्वास्थ्य देखभाल के सामने सबसे बड़ी चुनौतियों में से एक बन गया है। बैक्टीरिया को मारना कठिन होता जा रहा है क्योंकि वे लगातार विकसित हो रहे हैं और उन दवाओं के प्रति प्रतिरोधक क्षमता विकसित कर रहे हैं जो कभी अच्छी तरह से काम करती थीं। परिणामस्वरूप, जिन संक्रमणों का इलाज करना कभी आसान था, उन्हें नियंत्रित करना कहीं अधिक कठिन होता जा रहा है।
बीबीसी की रिपोर्ट है कि पूरी तरह से नई एंटीबायोटिक दवाओं का विकास भी बेहद धीमा रहा है। 2017 और 2022 के बीच, केवल 12 नए एंटीबायोटिक्स को उपयोग के लिए मंजूरी दी गई थी, और उनमें से कई दवाओं के समान थे जिनका बैक्टीरिया पहले से ही विरोध करना सीख रहे हैं। दवा का विकास महंगा है, इसमें कई साल लगते हैं और अक्सर विफलता का उच्च जोखिम होता है। यही एक कारण है कि शोधकर्ता नई दवाओं की खोज में तेजी लाने के लिए एआई पर ध्यान दे रहे हैं।
इस प्रयास का नेतृत्व करने वाले वैज्ञानिकों में से एक हैं
बीबीसी बताता है कि कोलिन्स की टीम ने मौजूदा एंटीबायोटिक दवाओं की रासायनिक संरचनाओं का उपयोग करके एक जेनरेटिव एआई सिस्टम को प्रशिक्षित किया। यह सीखकर कि सफल एंटीबायोटिक्स में क्या समानता है, एआई समान रोग-विरोधी गुणों वाले पूरी तरह से नए यौगिकों की खोज शुरू कर सकता है। शोधकर्ताओं ने तब 45 मिलियन से अधिक रासायनिक संरचनाओं की जांच करने के लिए इस प्रणाली का उपयोग किया, जबकि ऐसे यौगिकों की तलाश की जो गोनोरिया और एमआरएसए जैसे संक्रमणों के लिए जिम्मेदार बैक्टीरिया को लक्षित कर सकते हैं, जो दोनों उपलब्ध दवाओं के प्रति तेजी से प्रतिरोधी हो गए हैं।
केवल मौजूदा दवाओं की खोज करने के बजाय, एआई ने पूरी तरह से नए रासायनिक यौगिक बनाने में भी मदद की। बीबीसी के अनुसार, शोधकर्ताओं ने सिस्टम को विभिन्न परमाणुओं, बांडों और रासायनिक उपसंरचनाओं को जोड़कर नई आणविक संरचनाएं बनाने की अनुमति दी, जबकि लगातार जांच की कि क्या प्रत्येक डिज़ाइन एक संभावित एंटीबायोटिक की तरह दिखता है। इस प्रक्रिया ने लाखों संभावित यौगिकों को उत्पन्न किया, जिससे वैज्ञानिकों को विचारों का एक बड़ा पूल मिला, जो वे वास्तविक रूप से हाथ से बना सकते थे।
लाखों एआई-डिज़ाइन किए गए यौगिकों में से, शोधकर्ताओं ने प्रयोगशाला परीक्षण के लिए केवल 24 का चयन किया। सात में रोगाणुरोधी गतिविधि देखी गई, जबकि दो दवा प्रतिरोधी बैक्टीरिया के खिलाफ विशेष रूप से प्रभावी साबित हुए। उतनी ही महत्वपूर्ण बात यह है कि ये यौगिक कई मौजूदा एंटीबायोटिक दवाओं की तुलना में बैक्टीरिया पर अलग तरह से हमला करते हैं। इससे यह उम्मीद जगी है कि वे अंततः दवाओं की एक पूरी तरह से नई श्रेणी का हिस्सा बन सकते हैं, हालांकि मरीजों में इस्तेमाल करने से पहले उन्हें अभी भी व्यापक परीक्षण से गुजरना होगा।
छवि क्रेडिट: Pexels | संभावित दवा ढूंढना चुनौती का केवल एक हिस्सा है
इसी शोध समूह ने तपेदिक और क्लोस्ट्रीडियम डिफिसाइल संक्रमण के लिए जिम्मेदार बैक्टीरिया सहित अन्य खतरनाक बैक्टीरिया के खिलाफ आशाजनक यौगिकों की पहचान करने के लिए एआई का भी उपयोग किया है। वैज्ञानिक अब यह पता लगा रहे हैं कि क्या समान एआई उपकरण उन बीमारियों पर अनुसंधान को गति देने में मदद कर सकते हैं जिनका वर्तमान में बहुत कम या कोई प्रभावी उपचार नहीं है। प्रौद्योगिकी का अध्ययन पार्किंसंस रोग और हजारों दुर्लभ बीमारियों जैसी स्थितियों के लिए भी किया जा रहा है, जहां नई दवाएं ढूंढना हमेशा विशेष रूप से कठिन रहा है।
और पढ़ें: क्या एआई कभी ख़ुशी महसूस करेगा, रंग देखेगा या जानेगा कि उसका अस्तित्व है? चेतना पहेली समझाया
अंतिम फैसला
तो, क्या AI इंसानों से भी तेज़ दवाएँ बना सकता है? कम से कम खोज के प्रारंभिक चरण के दौरान इसका उत्तर हाँ प्रतीत होता है। एआई विशाल डेटासेट खोज सकता है, छिपे हुए पैटर्न को पहचान सकता है और अकेले काम करने वाले लोगों की तुलना में कहीं अधिक तेजी से संभावित दवा उम्मीदवारों का सुझाव दे सकता है। इससे महीनों या वर्षों के शोध को बचाया जा सकता है और वैज्ञानिकों को अपने प्रयासों पर ध्यान केंद्रित करने में मदद मिल सकती है जहां वे सबसे ज्यादा मायने रखते हैं।
लेकिन क्या एआई अपने आप सही दवा फार्मूला तैयार कर सकता है? अभी तक नहीं। एआई द्वारा की गई प्रत्येक भविष्यवाणी को वास्तविक दवा बनने से पहले अभी भी सावधानीपूर्वक प्रयोगशाला परीक्षण, विस्तृत वैज्ञानिक विश्लेषण और सख्त सुरक्षा जांच की आवश्यकता है। एआई शोधकर्ताओं की जगह नहीं ले रहा है; यह उनके अब तक के सबसे शक्तिशाली उपकरणों में से एक बनता जा रहा है।
नवीनतम शोध से यह सबसे बड़ा सबक हो सकता है। चिकित्सा का भविष्य केवल मनुष्यों या मशीनों से संबंधित होने की संभावना नहीं है। इसके बजाय, यह दुनिया भर के मरीजों के लिए सुरक्षित और बेहतर दवाओं की खोज के लिए एआई की गति और कंप्यूटिंग शक्ति के साथ मानव ज्ञान को जोड़कर वैज्ञानिकों और कृत्रिम बुद्धिमत्ता पर निर्भर करेगा।
