AI से अनुमानित प्रोटीन संरचनाएँ दवा खोज में कैसे मदद कर सकती हैं

रासायनिक अंतःक्रियाओं की भविष्यवाणी

दवा खोज में नए रासायनिक यौगिकों की जाँच और प्राकृतिक पदार्थों का अध्ययन लंबे समय से शामिल रहा है। संरचना-आधारित खोज में शोधकर्ता एक लक्षित प्रोटीन चुनते हैं और उससे बंध सकने वाले अणु, यानी लिगैंड, तलाशते हैं।

उपयुक्त लिगैंड खोजने के लिए प्रयोग और गणना दोनों की आवश्यकता होती है। कंप्यूटर मॉडल संभावित अणुओं को प्राथमिकता देने में मदद करते हैं, लेकिन बड़े जैविक तंत्र की हर परमाण्विक प्रक्रिया को पूरी तरह अनुकरण करना अभी भी कठिन है।

डीप लर्निंग प्रोटीन संरचना जैसी जानकारी का अनुमान लगाने में मदद कर सकती है। यह विस्तृत भौतिक गणना का हर पहलू नहीं बदलती और प्रयोगात्मक पुष्टि की आवश्यकता समाप्त नहीं करती।

ऐसी एक प्रणाली है AlphaFold। इसे Alphabet (GOOG ) की Google DeepMind ने विकसित किया। AlphaFold 2 का कोड और प्रशिक्षित मॉडल सार्वजनिक किए गए थे; सभी संस्करणों और सेवाओं को एक ही स्वामित्व श्रेणी में रखना सही नहीं है। मई 2024 में AlphaFold 3 के आने के बाद यह देखना उपयोगी है कि AlphaFold 2 की संरचनाएँ लिगैंड खोज में कितनी सहायक रहीं।

AlphaFold कैसे काम करता है?

AlphaFold ज्ञात प्रोटीन संरचनाओं और अनुक्रम संबंधी जानकारी से सीखे गए पैटर्न के आधार पर त्रिआयामी संरचना का अनुमान लगाता है। इसे प्रोटीन के मुड़ने की पूरी भौतिक प्रक्रिया का प्रत्यक्ष अनुकरण नहीं समझना चाहिए।

प्रोटीन कोशिकाओं में अनेक कार्य करते हैं। उनका कार्य अमीनो अम्ल अनुक्रम के साथ-साथ त्रिआयामी संरचना, अन्य अणुओं से अंतःक्रिया और जैविक वातावरण पर 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।

प्रोटीन और उनके रूपांतर अत्यंत विविध हैं। संभावित संरचनाओं का पैमाना उन्हें केवल प्रयोगों से निर्धारित करना कठिन बनाता है। सटीक संख्या परिभाषा पर निर्भर करती है, इसलिए मनुष्य और पृथ्वी के लिए एक निश्चित सार्वभौमिक प्रोटीन संख्या देना भ्रामक होगा।

लिगैंड खोज में AlphaFold 2 का मूल्यांकन

शोधकर्ताओं ने AlphaFold 2 की संरचनाओं की उपयोगिता का मूल्यांकन इस अध्ययन में किया: “AlphaFold 2 की संरचनाओं से संभावित लिगैंड खोज का मार्गदर्शन”.

इस सहयोग में कैलिफोर्निया विश्वविद्यालय, नॉर्थ कैरोलाइना विश्वविद्यालय, स्टैनफोर्ड, हार्वर्ड मेडिकल स्कूल और Chemspace सहित कई संस्थानों के शोधकर्ता शामिल थे।

अध्ययन ने sigma-2 और serotonin 5-HT2A रिसेप्टर चुने। इनके AlphaFold 2 मॉडल संबंधित प्रयोगात्मक संरचनाएँ सार्वजनिक होने से पहले उपलब्ध थे। इससे अनुमानित और प्रयोगात्मक संरचनाओं के आधार पर नई लिगैंड खोज की तुलना संभव हुई। इसका अर्थ यह नहीं कि मॉडल ने इन प्रोटीनों से संबंधित कोई जानकारी कभी नहीं देखी थी।

पूर्वज्ञात लिगैंडों से मूल्यांकन

पूर्ववर्ती अध्ययन ज्ञात लिगैंडों के साथ आणविक डॉकिंग का परीक्षण करते थे। AlphaFold 2 संरचनाओं का प्रदर्शन मिश्रित रहा था। यहाँ संरचना का अनुमान और लिगैंड डॉकिंग अलग प्रक्रियाएँ हैं।

पूर्वज्ञात परिणामों पर किया गया परीक्षण उपयोगी है, लेकिन वह नए लिगैंड खोजने की क्षमता का पूरा मूल्यांकन नहीं करता। इसीलिए आगे की खोज में प्रत्यक्ष परीक्षण आवश्यक था।

अगला प्रश्न था कि क्या अनुमानित संरचनाओं का उपयोग पहले अज्ञात लिगैंड खोजने के लिए किया जा सकता है।

भविष्यसूचक अध्ययन

शोधकर्ताओं ने DOCK3.8 सॉफ्टवेयर से sigma-2 के लिए लगभग 49 करोड़ और 5-HT2A के लिए 1.6 अरब से अधिक अणुओं की डॉकिंग की। संरचनाएँ AlphaFold 2 से मिली थीं; अरबों अणुओं की डॉकिंग स्वयं AlphaFold ने नहीं की। मूल लेख में 1.6 मिलियन का आँकड़ा गलत था।

डॉकिंग परिणामों से प्रत्येक लक्ष्य के लिए कुछ उच्च प्राथमिकता वाले अणु चुने गए।

चुने गए अणुओं को संश्लेषित करके प्रयोगशाला में जाँचा गया कि वे वास्तव में लक्ष्य से बंधते हैं या नहीं।

चुने हुए अणुओं के प्रयोगों में दोनों रिसेप्टरों के लिए उपयोगी बाइंडिंग हिट मिले। ये परीक्षण के लिए चुने गए नमूनों की दरें थीं, पूरे रासायनिक डेटाबेस की सफलता दर या दवा-स्वीकृति दर नहीं।

बहुत बड़े रासायनिक संग्रह से प्रयोग के लिए उपयोगी अणुओं को चुनना चुनौतीपूर्ण है। अध्ययन दिखाता है कि संरचना-आधारित छनाई इस प्रक्रिया में मदद कर सकती है।

कंप्यूटर से संभावित अणुओं को प्राथमिकता देने से कुछ शुरुआती प्रयोगों का खर्च कम हो सकता है। वास्तविक बचत लक्ष्य और प्रक्रिया पर निर्भर करती है; आगे सुरक्षा, प्रभावशीलता और निर्माण संबंधी परीक्षण फिर भी आवश्यक हैं।

कभी-कभी पहले से स्वीकृत दवा को नए उपयोग के लिए जाँचा जा सकता है। पुराने उपयोग की सुरक्षा जानकारी उपयोगी होती है, लेकिन नई बीमारी, मात्रा या रोगी समूह में सुरक्षा और प्रभावशीलता अपने आप सिद्ध नहीं होती।

sigma-2 के AlphaFold 2 मॉडल से चुने गए 119 अणुओं में 64 ने बाइंडिंग दिखाई, यानी लगभग 54%। प्रयोगात्मक संरचना से चुने गए नमूने की हिट दर लगभग 51% थी। 5-HT2A के लिए मॉडल-आधारित नमूने में लगभग 26% हिट मिले। इन्हें सभी रिसेप्टर सक्रिय करने या तैयार दवा बनाने की सफलता नहीं समझना चाहिए।

अध्ययन से पता चलता है कि कुछ लक्ष्यों के लिए AI से अनुमानित संरचनाएँ नई लिगैंड खोज में उपयोगी हो सकती हैं। यह हर प्रोटीन या पूरी दवा विकास प्रक्रिया में समान प्रदर्शन की गारंटी नहीं है।

स्वास्थ्य देखभाल में AI का प्रवेश

दवा खोज

दवा खोज स्वास्थ्य क्षेत्र में AI के संभावित उपयोगों में से एक है। नई दवा विकसित करने की लागत का अनुमान पद्धति और असफल परियोजनाओं को शामिल करने पर निर्भर करता है; कुछ आकलन इसे अरबों डॉलर या उससे अधिक बताते हैं.

AI का अध्ययन दवा की सुरक्षा का आकलन करने, निर्माण के तरीके सुधारने और जीन संपादन में भी किया जा रहा है। कुछ उपकरण खुले स्रोत के हैं। संबंधित उदाहरण हमने इस लेख में देखा है: “‘OpenCRISPR-1’ से AI-सहायता प्राप्त जीन संपादन”।

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 “स्वास्थ्य केंद्रों में बढ़ते MRSA के विरुद्ध AI-सहायता प्राप्त अनुसंधान” में चर्चा की गई है।

AI निदान और रोगी प्रबंधन

AI का अध्ययन रेडियोलॉजी और कान के संक्रमण जैसे विशिष्ट नैदानिक कार्यों में किया जा रहा है। अच्छे अध्ययन परिणाम हर परिस्थिति में चिकित्सकों से श्रेष्ठता सिद्ध नहीं करते। हमने इस विषय पर चर्चा की है: “चिकित्सकीय निदान में AI की बढ़ती सहायक भूमिका”।

मशीन लर्निंग से यह भी अध्ययन किया जा रहा है कि गंभीर चोट के बाद ट्रानेक्सामिक एसिड (TXA) देने के निर्णय में कैसे सहायता की जाए। दवा का चयन चिकित्सकीय परिस्थिति और उपचार दिशानिर्देशों पर निर्भर करता है। संबंधित चर्चा देखें: “आपातकालीन उपचार के नियमों को बेहतर बनाने के लिए मशीन लर्निंग का अध्ययन”।

बड़े भाषा मॉडल चिकित्सकीय दस्तावेज और जानकारी व्यवस्थित करने में सहायता कर सकते हैं। गलत उत्तरों और संदर्भ की सीमाओं के कारण उन्हें स्वतंत्र निदानकर्ता मानना उचित नहीं है।

AI डेटा प्रबंधन

रोगी की जानकारी में तस्वीरें, रक्त जाँच, चिकित्सकीय टिप्पणियाँ और अन्य अनेक स्रोत शामिल हो सकते हैं।

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।

जनसंख्या स्तर के डेटा से रोग, जीवनशैली और पर्यावरण के संबंधों का अध्ययन किया जा सकता है। सांख्यिकीय संबंध अपने आप कारण सिद्ध नहीं करते; डेटा सुरक्षा और पक्षपात का मूल्यांकन भी आवश्यक है।

रोबोटिक्स

कुछ शल्य प्रक्रियाओं में रोबोटिक प्रणालियाँ चिकित्सक की सहायता करती हैं। वे उपकरणों के नियंत्रण और कार्य-स्थितियों में लाभ दे सकती हैं, लेकिन परिणाम प्रक्रिया, प्रशिक्षण और रोगी पर निर्भर करते हैं।

स्रोत: Grand View Research

दूर से नियंत्रित शल्य चिकित्सा तकनीकी रूप से संभव है, लेकिन भरोसेमंद संचार, विशेषज्ञ टीम और स्थानीय सहायता आवश्यक हैं। संबंधित कंपनियों की चर्चा हमने इस लेख में की है: “रोबोटिक शल्य चिकित्सा से जुड़ी पाँच कंपनियाँ”.

उन्नत इम्प्लांट

प्रत्यारोपण और कृत्रिम अंग भी स्वास्थ्य तकनीक का हिस्सा हैं। कुछ उपयोग स्थापित हैं और अन्य अभी अनुसंधान में हैं।

एक्सोस्केलेटन अब रोगियों की मदद करने वाले समाधान के सेट में प्रवेश कर रहे हैं, जैसा कि “रोबोटिक्स से स्वतंत्रता और गतिशीलता: पार्किंसन रोग में एक्सोसूट का अध्ययन” में दर्शाया गया है।

एक अन्य दिशा मस्तिष्क और मशीन के बीच सीधा इंटरफेस है, जैसे Neuralink जैसी प्रणालियों में अध्ययन किया जा रहा है। ऐसे प्रयोगों का उद्देश्य मस्तिष्क के संकेतों से कंप्यूटर या सहायक उपकरण नियंत्रित करना है; उपयोग की सुरक्षा और दीर्घकालिक विश्वसनीयता का मूल्यांकन आवश्यक है।

मस्तिष्क प्रत्यारोपण, बाहरी एक्सोस्केलेटन और कृत्रिम अंग अलग प्रकार की तकनीकें हैं। इनके उदाहरण हमने इस लेख में देखे हैं: “मानव शरीर की सहायता के लिए एंथ्रोबॉट, ऑर्गेनिक ट्रांजिस्टर और मस्तिष्क प्रत्यारोपण”.

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 प्रभाव-क्षमता, घुलनशीलता, अर्ध-आयु और संश्लेषण की व्यावहारिकता जैसी कभी-कभी परस्पर विरोधी आवश्यकताओं को संतुलित किया जाता है।

कंपनी मशीन लर्निंग के साथ भौतिक मॉडल का उपयोग करती है। इससे कुछ परिस्थितियों में सीमित प्रशिक्षण डेटा के बावजूद गणनात्मक खोज संभव हो सकती है। Schrödinger (SDGR ) ने बड़े अणु संग्रह से कुछ उम्मीदवार चुनने के उदाहरण बताए हैं, लेकिन डिजिटल चयन प्रयोगात्मक पुष्टि का विकल्प नहीं है।

स्रोत: Schrodinger

Schrödinger ने 2020 में Bayer के साथ पाँच वर्ष का तकनीकी सहयोग घोषित किया, जिसके तहत लगभग एक करोड़ यूरो प्राप्त होने की अपेक्षा थी. 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।

लेख के समय Schrödinger अपने और सहयोगी कार्यक्रमों का पोर्टफोलियो विकसित कर रहा था। प्रस्तुत ऐतिहासिक विवरण के अनुसार इसकी स्वामित्व पाइपलाइन में आठ कार्यक्रम थे, जिनमें दो चरण I में थे। सहयोगी कार्यक्रमों की संख्या 23 बताई गई थी, जिनमें पाँच चरण I और तीन चरण II में थे। ये विकास कार्यक्रम हैं, सभी स्वीकृत दवाएँ नहीं।

स्रोत: Schrodinger

कंपनी सॉफ्टवेयर और सहयोग से राजस्व प्राप्त करती थी, लेकिन लेख के समय लाभदायक नहीं थी। अनुसंधान खर्च, नकदी की खपत और उपलब्ध पूँजी का साथ में मूल्यांकन करना चाहिए। नकदी होने से वित्तीय जोखिम समाप्त नहीं होता।

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 ने कुछ परियोजनाओं के लिए शुरुआती खोज समय में 70% तक कमी और 80% बेहतर पूँजी दक्षता का दावा किया था। ये कंपनी के आकलन हैं, हर परियोजना या संपूर्ण क्लिनिकल विकास के लिए सुनिश्चित बचत नहीं।

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

लेख के समय कंपनी ने शुरुआती क्लिनिकल चरणों में चार यौगिक और लगभग चार अरब डॉलर के संभावित पूर्व-वाणिज्यिक माइलस्टोन बताए थे। ये भुगतान अनुसंधान तथा समझौते की शर्तों पर निर्भर थे, दर्ज राजस्व या निश्चित भविष्य की आय नहीं।

स्रोत: Exscientia

कंपनी सहयोग संबंधी राजस्व प्राप्त कर रही थी। लेख में उसकी नकदी को कई वर्षों के खर्च के लिए पर्याप्त बताया गया, लेकिन ऐसी अवधि खर्च, कार्यक्रमों और भुगतान पर निर्भर करती है।

Exscientia AI-सहायता प्राप्त दवा खोज और सटीक उपचार पर काम कर रही थी। Merck, Sanofi और Bristol Myers Squibb (BMS) के साथ सहयोग इस क्षेत्र में रुचि दर्शाते हैं, लेकिन सफल या स्वीकृत दवा की गारंटी नहीं देते।