भविष्यसूचक मॉडलिंग AI-आधारित दवा खोज के लिए उज्ज्वल भविष्य की ओर संकेत करती है

रासायनिक अंतःक्रियाओं की भविष्यवाणी

Drug discovery initially relied on randomly testing new chemical compounds or trying to find active compounds in nature and traditional medicine. A more modern version of this process is to find a target protein in the body and determine what molecule would attach to it (a “ligand”).

आमतौर पर, सही लिगैंड खोजने में लंबी परीक्षण-और-त्रुटि प्रक्रिया शामिल होती है। हालांकि, जैसे-जैसे कंप्यूटिंग शक्ति बढ़ती है, प्रोटीन (जो दसियों हज़ार, यदि नहीं तो मिलियन एटमों से बने होते हैं) को परमाणु स्तर पर पूरी तरह से सिमुलेट करने की संभावना वास्तविक बन जाती है।

अब यह और भी संभव हो गया है क्योंकि डीप लर्निंग एल्गोरिदम AI को “सही उत्तर” का अनुमान लगाने की अनुमति देते हैं, बजाय इन कंप्यूटिंग प्रश्नों के लिए “ब्रूट फोर्स” दृष्टिकोण अपनाने के।

One such software is AlphaFold, a proprietary AI created by DeepMind, a branch of Alphabet (GOOG ) /Google. With the release of AlphaFold 3 in मई 2024, it is worth looking at the results from the previous version, AlphaFold 2, and if they are actually matching real-life protein-ligand interactions.

AlphaFold कैसे काम करता है?

AlphaFold is designed to learn from the known 3D configuration of 100,000 known proteins. From this, the machine started to find rules and guesses on how protein folds.

यह महत्वपूर्ण जानकारी है क्योंकि प्रोटीन मूलतः वह मशीन हैं जो कोशिकाओं को कार्य करने में सक्षम बनाती हैं। उनका कार्य केवल उनकी अनुक्रमों (जो जीनोम से ज्ञात हो सकते हैं) पर ही नहीं, बल्कि प्रोटीन के स्वयं पर फोल्ड होने के बाद उनकी 3D संरचना पर भी निर्भर करता है।

स्रोत: News Medical

मैग्नेटिक रेज़ोनेंस और एक्स‑रे क्रिस्टलोग्राफी जैसी तकनीकों का उपयोग इस 3D संरचना को खोजने के लिए किया जा सकता है, लेकिन यह प्रक्रिया बहुत महंगी और धीमी होती है। साथ ही, कुछ प्रोटीन की 3D संरचनाएँ इन तकनीकों से नहीं मिल पाती हैं।

अंत में, प्रोटीन का अन्य रसायनों के साथ अंतःक्रिया करने का तरीका अधिकांश संभावित दवाओं की प्रभावशीलता के लिए महत्वपूर्ण है। यह प्रश्न में एक और जटिलता की परत जोड़ता है।

With 300,000 different proteins in the human body and 300,000,000 different proteins on Earth, another method like AlphaFold is needed.

AlphaFold 2 का बैकटेस्टिंग

Checking AlphaFold 2’s accuracy is what researchers did in a scientific paper titled “AlphaFold2 structures guide prospective ligand discovery”.

The work was done through a massive collaboration between 20 researchers at the University of California, the University of North Carolina, Stanford University, Harvard Medical School, and Chemspace LLC in Ukraine.

The researchers used two proteins, sigma-2 and 5-HT2A, involved in neuropsychiatric diseases like Alzheimer’s disease and schizophrenia. These proteins were used because AlphaFold 2 had not been trained on any data involving these proteins, allowing it to double-check if it could “deduce” new findings from scratch.

पश्चात अध्ययन

The first thing the researchers did was ask AlphaFold 2 about the interactions with ligands they already knew bind to the protein in real life. In some cases, the interactions were predicted correctly, but not always.

This is not really news, and this limitation of retrospective studies for AlphaFold 2 has sometimes made researchers put into question its usefulness.

So, the next step was to check if AlphaFold could help find new protein-ligand interactions that were previously unknown.

भविष्यसूचक अध्ययन

In this study, the researchers gave AlphaFold 2 the proteins’ structure and asked it to check for interaction with 1.6 million potential ligands/drugs.

AlphaFold predicted several drug candidates for each of the proteins.

The researchers then checked in real life if these potential ligands actually worked.

शोधकर्ताओं ने निर्धारित किया कि प्रत्येक मॉडल के लिए प्रोटीन गतिविधि को बदलने वाले यौगिकों का अनुपात क्रमशः sigma-2 रिसेप्टर के लिए लगभग 50% और 5-HT2A रिसेप्टर के लिए 20% था। 5% से अधिक का परिणाम असाधारण माना जाता है।

Considering that drug discovery is very much like trying to manually find a needle in a haystack, a 50% success rate of “guessing” where the needle is from the first try is indeed exceptional.

This could radically cut into drug discovery costs, as it allows to digitally comb through chemical databases containing millions of potential drug candidates.

The ideal situation is, of course, when the newly found drug candidate is already FDA-approved and has a known safety profile, which would speed up the clinical trials stage.

सैकड़ों मिलियन संभावित संयोजनों में से, sigma-2 AlphaFold2 प्रोटीन मॉडलों का उपयोग करके 54% दवा‑प्रोटीन अंतःक्रियाएँ बंधित दवा उम्मीदवार के माध्यम से सफलतापूर्वक सक्रिय हुईं। sigma-2 के प्रयोगात्मक मॉडल ने 51% की सफलता दर के साथ समान परिणाम दिखाए।

This shows that even if retrospective studies are not always conclusive, AI is an extremely powerful tool for new ligand drug discovery.

स्वास्थ्य देखभाल में AI का प्रवेश

दवा खोज

Drug discovery is one big segment of the potential of AI in healthcare, especially as the cost to develop a new drug has grown over the past decades, often reaching a bill in the billion-dollar range or more.

AlphaFold केवल एक उदाहरण है, और दवा की सुरक्षा का सही मूल्यांकन करना, या इसे कुशलता से बनाने के नए तरीके खोजना भी संभव है। यह स्वामित्व सॉफ़्टवेयर के साथ ही नहीं होना चाहिए, क्योंकि ओपन‑सोर्स AI का उदय, जिसमें जीन‑एडिटिंग भी शामिल है, जैसा कि हमने “AI‑Enabled Gene‑Editing Made Possible with ‘OpenCRISPR‑1’” में चर्चा की।

अंत में, AI दवा खोज गैर‑मानव प्रोटीन को भी लक्षित कर सकती है, उदाहरण के लिए नई एंटीबायोटिक वर्गों को शून्य से खोजना, जैसा कि “MRSA is Increasingly Common in HealthCare Settings – Has AI Just Given a Tool to Fight Back?” में चर्चा की गई है।

AI निदान और रोगी प्रबंधन

AI अब रेडियोलॉजी छवियों का विश्लेषण करके कैंसर की उपस्थिति निर्धारित करने के लिए उपयोग की जा रही है। यह कान के संक्रमण का पता लगाने में मानव डॉक्टरों से भी अधिक सटीक है, जैसा कि हमारे लेख “AI Poised to Become Invaluable Medical Diagnosis Tool” में चर्चा की गई है।

यह यह भी निर्धारित कर सकता है कि ट्रॉमा के बाद TXA, एक जोखिमपूर्ण लेकिन अक्सर जीवन‑रक्षक दवा, कब दी जानी चाहिए, जैसा कि “Outdated Emergency Protocols Primed to be Modernized by Machine Learning” में चर्चा की गई है।

LLM (बड़े भाषा मॉडल) भी जल्द ही अच्छे निदानकर्ता बन सकते हैं, जो रोगियों की डॉक्टरों के साथ सहयोग में या स्वयं मदद कर सकते हैं।

AI डेटा प्रबंधन

Patient data used to be limited to a few radios or scanners, blood analyses, and notes from doctors.

जल्द ही इसमें जीवनशैली डेटा (आहार, व्यायाम), पहनने योग्य मॉनिटरिंग (नींद, हृदय गति, रक्तचाप, रक्त शर्करा) और यहां तक कि पूर्ण जीनोमिक डेटा भी शामिल हो जाएगा।

AI डॉक्टर की उत्पादकता में मदद कर सकता है, रोगी फ़ाइलों को पूर्व‑भरण करके और कई सॉफ़्टवेयर व डेटा स्रोतों के एकीकरण में सहायता करके।

संबंधित डेटा खोजने और उससे स्वास्थ्य परिणामों में सुधार करने के तरीकों का निर्धारण करने के लिए इन डेटा को एकत्रित करना और AI द्वारा उनका विश्लेषण करना अधिकाधिक आवश्यक होगा।

This will equally be true for population-scale datasets allowing us to find new ways to improve public health by finding previously unknown links between diseases and lifestyle or chemicals.

रोबोटिक्स

Surgery is increasingly done with robots, allowing for a more precise treatment and comfort for the surgeons. And this sector is growing very quickly.

स्रोत: Grand View Research

Robots can also allow surgeons to be hundreds or thousands of kilometers away, controlling the robot remotely. We looked into the leaders of this medical revolution in our article “Top 5 Robotic Surgery Stocks”.

उन्नत इम्प्लांट

One more futuristic, but not anymore limited to science fiction, use of technology in healthcare are artificial implants.

एक्सोस्केलेटन अब रोगियों की मदद करने वाले समाधान के सेट में प्रवेश कर रहे हैं, जैसा कि “Independence and Mobility through Robotics – How Exosuits Can Help Those with Parkinson’s Disease” में दर्शाया गया है।

A further step will be direct human-machine interfaces, notably through chips like Elon Musk’s Neuralink. It could be used to directly control artificial limbs or computers with just a thought.

Brain implants, exoskeletons, and prosthetics are just a few components of the revolution we explored in “Next-Level Evolution: Enhancing the Human Body With Anthrobots, Organic Transistors, Brain Implants, and More”.

AI दवा खोज कंपनियां

(इस सूची की कंपनियां AI टूल्स, जैसे NVIDIA (NVDA ) हार्डवेयर, का उपयोग करने वाली हैं। हालांकि, हम यहाँ केवल दवा‑खोज कंपनियों पर ध्यान केंद्रित कर रहे हैं, न कि सामान्य AI या Google जैसी तकनीकी कंपनियों पर)

1. Schrödinger, Inc.

यह कंपनी भौतिक‑आधारित मॉडलों में विशेषज्ञता रखती है ताकि दिए गए लक्ष्य के लिए सबसे उपयुक्त अणु खोजा जा सके, जिसमें पोटेंसी, घुलनशीलता, आधा‑आयु, संश्लेषणीयता आदि जैसे विरोधी मेट्रिक्स को संतुलित किया जाता है।

यह “सामान्य” मशीन लर्निंग का भी उपयोग करता है, लेकिन भौतिक‑आधारित मॉडल का जोड़ इसे पूरी तरह नए क्षेत्रों में परीक्षण करने की अनुमति देता है जहाँ AI को “ट्रेन” करने के लिए कोई डेटा सेट मौजूद नहीं है। यह Schrödinger (SDGR ) को 1 बिलियन संभावित अणुओं से केवल 8 ठोस उम्मीदवारों तक कुछ ही दिनों में ले जाता है, पूरी तरह डिजिटल गणना के माध्यम से।

स्रोत: Schrodinger

Schrödinger ने 2020 में Bayer के साथ $10M राजस्व के लिए 5‑वर्षीय सहयोग समझौता किया. समझौते का विचार Bayer के इन‑सिलिको प्रेडिक्शन मॉडलों के साथ Schrödinger तकनीक का उपयोग करना है।

एक अन्य हालिया साझेदारी Lilly के साथ 2022 में है, जिसमें सफल खोज के लिए कुल $425M तक के माइलस्टोन भुगतान शामिल हैं।

पिछले सहयोगों में Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb और अन्य छोटे फार्मास्यूटिकल कंपनियां शामिल थीं।

कुल मिलाकर, Schrödinger एक बढ़ता हुआ पोर्टफ़ोलियो बना रहा है, जिसमें अधिक से अधिक स्वामित्व वाले और पूर्ण‑स्वामित्व वाले अणु शामिल हैं। वर्तमान में इसके पास स्वामित्व पाइपलाइन में 8 उत्पाद हैं, जिनमें से 2 क्लिनिकल ट्रायल के चरण I में हैं। और साझेदार कार्यक्रमों और सहयोगों में 23 उत्पाद हैं, जिनमें 5 चरण I और 3 चरण II में हैं।

स्रोत: Schrodinger

हालांकि अभी तक राजस्व नहीं है, कंपनी अभी भी लाभदायक नहीं है, अपने तकनीक को सुधारने के लिए विस्तार और R&D खर्च पर ध्यान केंद्रित कर रही है। यह अल्पकाल में गंभीर चिंता नहीं होनी चाहिए, क्योंकि कंपनी के बैलेंस शीट पर कई वर्षों के संचालन के बराबर नकद मौजूद है।

यह दवा खोज के अलावा नए क्षेत्रों में विस्तार पर भी विचार कर रही है, जैसे जटिल बायोफार्मास्यूटिकल्स या यहाँ तक कि रसायन, बैटरियां, या पॉलीमर जैसी सामग्री।

स्रोत: Schrodinger

निवेशक नई साझेदारियों पर नज़र रखना चाहेंगे, क्योंकि वे Schrödinger की तकनीक की प्रगति को दर्शाएंगी, जैसा कि उद्योग के नेताओं द्वारा गोपनीय डेटा से मूल्यांकन किया गया है, और मुख्य तकनीक को नए बाजारों में विस्तार करने की संभावित सफलता भी।

2. Exscientia

यह कंपनी AI का उपयोग करके प्रिसिजन थैरेपीज़ विकसित कर रही है। यह दवा खोज प्रक्रिया के प्रत्येक चरण में समर्पित सॉफ़्टवेयर के साथ “फुल स्टैक” AI दवा खोज तकनीक चलाती है।

स्रोत: Exscientia

मौजूदा अणुओं को देखे जाने के बजाय, Exscientia का Precision Design AI उसके Precision Target AI द्वारा पाए गए लक्ष्य से मेल खाने वाले कस्टम अणु डिजाइन करता है।

Exscientia की तकनीक जैविक लक्ष्य से संबंधित दवा खोजने में आवश्यक समय को 70% तक घटाती है और प्रक्रिया को 80% अधिक पूंजी‑कुशल बनाती है।

समय और लागत की बचत का एक हिस्सा अत्यधिक स्वचालित प्रक्रिया से आता है, जिसमें “पूरे प्रयोगात्मक चक्र में व्यापक रोबोटिक ऑटोमेशन” शामिल है।

इससे प्रारंभिक क्लिनिकल चरणों में 4 यौगिक प्राप्त हुए, जो मुख्यतः ऑन्कोलॉजी (कैंसर) और सूजन रोगों पर केंद्रित हैं। कंपनी $4 बिलियन के प्री‑कमर्शियल माइलस्टोन संभावनाओं को दर्शाती है।

स्रोत: Exscientia

कंपनी अभी-अभी राजस्व दर्ज करना शुरू कर रही है लेकिन इसके बैलेंस शीट पर कई वर्षों के खर्च को कवर करने के लिए पर्याप्त नकदी उपलब्ध है।

AI‑ड्रग डिस्कवरी और प्रिसिजन थैरेपी के संगम पर स्थित होकर, Exscientia चिकित्सा विज्ञान के दो सबसे परिवर्तनकारी क्षेत्रों को लक्षित कर रही है। Merck, Sanofi और BMI के स्थापित साझेदारी से पता चलता है कि अन्य स्थापित फार्मास्यूटिकल कंपनियां भी इस प्लेटफ़ॉर्म की बड़ी संभावनाओं को मानती हैं।