AI · · 5 min read
स्टैनफोर्ड ने 37,000 एजेंटों वाला AI दवा-खोज तंत्र बनाया
स्टैनफोर्ड की एक शोध टीम ने ऐसा वर्चुअल बायोटेक बनाया है, जिसमें हजारों AI एजेंट दवा के लक्ष्यों, सुरक्षा जोखिमों और क्लिनिकल साक्ष्यों का आकलन करते हैं।
स्टैनफोर्ड की एक टीम ने कंप्यूटर-आधारित दवा कंपनी तैयार की है, जिसमें दवा की खोज का काम 37,000 तक आर्टिफिशियल इंटेलिजेंस एजेंटों के बीच बांटा गया है। सिंगुलैरिटी हब की रिपोर्ट के अनुसार, यह तंत्र संभावित दवा लक्ष्यों की जांच कर सकता है, सुरक्षा संबंधी चिंताओं की पड़ताल कर सकता है, क्लिनिकल-ट्रायल के नतीजों की तुलना कर सकता है और उपचार सुझा सकता है।
शोधकर्ताओं ने Science में प्रकाशित एक पेपर में इस तंत्र का विवरण दिया है। एक परीक्षण में इसने उन दवाओं से जुड़े गुणों की पहचान की, जिनके विकास में सफल होने की संभावना अधिक होती है। एक अन्य परीक्षण में इसने फेफड़े के कैंसर के एक लक्ष्य को ध्यान में रखकर उपचार की रणनीति सुझाई, जिसे बाद में एक बड़ी फार्मास्यूटिकल कंपनी ने स्वतंत्र रूप से अपनाया।
यह परियोजना फार्मास्यूटिकल शोध की एक लगातार बनी हुई कमजोरी को दूर करने की कोशिश करती है। क्लिनिकल ट्रायल में पहुंचने वाली हर 10 में से करीब नौ दवाएं अंततः स्वीकृत उत्पाद नहीं बन पातीं। कुछ इसलिए विफल हो जाती हैं क्योंकि प्रयोगशाला प्रयोगों के निष्कर्ष मरीजों पर कायम नहीं रहते। कुछ अन्य ऐसे हानिकारक प्रभाव पैदा करती हैं, जिनकी शुरुआती चरण में पर्याप्त पहचान नहीं हो पाती।
विशेषीकृत AI टीमों से बनी कंपनी
दवा-विकास से जुड़े साक्ष्य वैज्ञानिक क्षेत्रों, डेटाबेस, ट्रायल रजिस्ट्रियों, शोधपत्रों और कंपनी की घोषणाओं में बिखरे हुए हैं। यह बिखराव किसी पारंपरिक शोध समूह के लिए यह तय करने से पहले हर प्रासंगिक जानकारी का आकलन करना मुश्किल बना देता है कि किसी लक्ष्य पर काम करना उचित है या नहीं।
स्टैनफोर्ड का वर्चुअल बायोटेक दवा कंपनी की संरचना की नकल करने के लिए व्यवस्थित किया गया है। एक वर्चुअल मुख्य वैज्ञानिक अधिकारी मानव शोधकर्ता से सवाल प्राप्त करता है और जांच के हिस्से विशेषीकृत एजेंटों को सौंपता है। इन एजेंटों को अलग-अलग डेटा स्रोतों और विश्लेषणात्मक उपकरणों से लैस किया गया है। वे चार व्यापक क्षेत्रों में काम करते हैं: दवा के लक्ष्यों की पहचान और परीक्षण, संभावित सुरक्षा समस्याओं की पड़ताल, यह तय करना कि उपचार किस तरह दिया जा सकता है, और पिछले क्लिनिकल ट्रायल का विश्लेषण।
यह तंत्र Open Targets का भी इस्तेमाल कर सकता है, जो दवा के लक्ष्यों और क्लिनिकल शोध से जुड़ी जानकारी वाला एक बड़ा सार्वजनिक संसाधन है। यह जांचने के लिए कि वर्चुअल कंपनी मौजूदा काम में सुधार कर सकती है या नहीं, शोधकर्ताओं ने उसे एक ऐसा अध्ययन दिया, जिसमें संकेत था कि मानव आनुवंशिक साक्ष्य यह अनुमान लगाने में मदद कर सकते हैं कि कौन-सी दवाएं ट्रायल में सफल होंगी।
वर्चुअल मुख्य वैज्ञानिक अधिकारी ने सबसे पहले उपलब्ध साक्ष्यों की गुणवत्ता पर ध्यान दिया। कई रिकॉर्ड से यह स्पष्ट नहीं था कि ट्रायल में दिया गया उपचार वास्तव में काम किया था या नहीं। इसलिए इस तंत्र ने 37,075 Phase II और Phase III ट्रायल की समीक्षा के लिए अलग-अलग एजेंट नियुक्त किए। उन्होंने नतीजों से जुड़ी जानकारी के लिए रजिस्ट्रियों, वैज्ञानिक प्रकाशनों और प्रेस विज्ञप्तियों को खंगाला और यह काम लगभग छह घंटे में पूरा कर लिया।
दवा के लक्ष्यों के बारे में तंत्र की खोज
अगले चरण में मानव ऊतकों के एक सार्वजनिक डेटाबेस में मौजूद जीन की जांच की गई। यह संसाधन दिखाता है कि कौन-से जीन विशेष कोशिका प्रकारों में सक्रिय हैं। AI तंत्र ने हर संभावित लक्ष्य का आकलन दो मापदंडों से किया। एक में यह देखा गया कि कोई जीन सीमित संख्या में कोशिका प्रकारों में केंद्रित है या कई प्रकारों में सक्रिय है। दूसरे में यह देखा गया कि उसकी सक्रियता द्विआधारी स्विच की तरह व्यवहार करती है या धीरे-धीरे बदल सकती है।
जब इन अंकों की तुलना ट्रायल के बेहतर किए गए नतीजों वाले डेटासेट से की गई, तो एक पैटर्न सामने आया। ऐसे जीनों को लक्ष्य बनाने वाली दवाओं के बाजार तक पहुंचने की संभावना 48 प्रतिशत अधिक थी, जिनकी सक्रियता स्विच जैसी थी और जो सीमित संख्या में कोशिका प्रकारों में पाए जाते थे। उनके Phase I से Phase II तक पहुंचने की संभावना भी 40 प्रतिशत अधिक थी और व्यापक ऊतक-क्षेत्रों में सक्रिय लक्ष्यों को निशाना बनाने वाली दवाओं की तुलना में उनसे जुड़े प्रतिकूल प्रभाव 32 प्रतिशत कम थे।
इन निष्कर्षों से दवा-विकास में शामिल अनिश्चितता खत्म नहीं होती, लेकिन वे शोधकर्ताओं को यह तय करने में मदद कर सकते हैं कि किन जैविक लक्ष्यों में आगे निवेश किया जाना चाहिए। कमजोर संभावित लक्ष्यों को पहले ही छोड़ देने से उन कार्यक्रमों पर खर्च होने वाले संसाधन कम हो सकते हैं, जिनके सफल होने की संभावना कम है।
फेफड़े के कैंसर का परीक्षण मामला
इसके बाद शोधकर्ताओं ने वर्चुअल बायोटेक से B7-H3 का अध्ययन करने को कहा, जो फेफड़े के कैंसर से जुड़ा एक प्रोटीन है। इसके एजेंटों ने पाया कि यह प्रोटीन फाइब्रोब्लास्ट में खास तौर पर आम था। फाइब्रोब्लास्ट संयोजी ऊतक की कोशिकाएं होती हैं, जो अक्सर ट्यूमर के पास स्थित होती हैं। उन्हें ऐसे साक्ष्य भी मिले कि ये कोशिकाएं पास की प्रतिरक्षा कोशिकाओं को निष्क्रिय कर सकती हैं, जिससे प्रतिरक्षा तंत्र के लिए कैंसर को पहचानना और उस पर हमला करना मुश्किल हो जाता है।
प्रस्तावित उपचार में B7-H3 वाली कोशिकाओं की पहचान करने के लिए एक एंटीबॉडी का इस्तेमाल किया जाएगा और विषैले कीमोथेरेपी यौगिक को उन तक पहुंचाया जाएगा। इस तंत्र ने अपनी सिफारिश केवल जनवरी 2025 से पहले उपलब्ध जानकारी के आधार पर दी।
अगस्त 2025 में, एक बड़ी फार्मास्यूटिकल कंपनी द्वारा विकसित B7-H3 को लक्षित करने वाली थेरेपी ifinatamab deruxtecan को अमेरिकी खाद्य एवं औषधि प्रशासन से breakthrough therapy का दर्जा मिला। कंपनी स्वतंत्र रूप से इसी तरह की रणनीति तक पहुंची थी। स्टैनफोर्ड के वरिष्ठ लेखक James Zou ने इस घटनाक्रम को वर्चुअल बायोटेक द्वारा प्रस्तावित डिजाइन के अनुरूप मिलने वाली बाहरी पुष्टि बताया।
यह नतीजा इस बात का प्रमाण नहीं है कि AI तंत्र अपने दम पर किसी दवा को विचार से लेकर मंजूरी तक पहुंचा सकता है। किसी संभावित लक्ष्य का चयन केवल शुरुआती कदम है। संभावित दवाओं के लिए अब भी प्रयोगशाला प्रयोग, सुरक्षा परीक्षण और लंबे क्लिनिकल ट्रायल जरूरी हैं, जिनमें से सभी महंगे हैं और जिन्हें तेजी से पूरा करना कठिन है।
फिर भी, यह तंत्र दिखाता है कि बड़ी संख्या में विशेषीकृत AI उपकरण बिखरे हुए साक्ष्यों की जांच पारंपरिक टीम की तुलना में तेजी से कर सकते हैं। अगर यह क्षमता शोधकर्ताओं को खराब विकल्पों को हटाने और बेहतर विकल्पों की पहले पहचान करने में मदद करती है, तो इससे दवा उद्योग के उन चरणों में सुधार हो सकता है, जहां विफलता की संभावना सबसे अधिक होती है।