AIને મળ્યો ફાર્મા કંપનીઓનો ‘ખાસ’ ડેટા, પછી જે થયું તે દવાની દુનિયા બદલી શકે છે!

AI Drug Discovery: આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI) હવે દવાની શોધ અને વિકાસની પ્રક્રિયાને વધુ ઝડપી અને સચોટ બનાવવામાં મહત્વની ભૂમિકા ભજવી શકે છે. નવા સંશોધનમાં ફાર્માસ્યુટિકલ કંપનીઓના ખાનગી Protein Structure Dataનો ઉપયોગ કરીને AI મોડેલને ટ્રેન કરવામાં આવ્યું છે. પરિણામોમાં જાણવા મળ્યું કે ખાનગી પ્રોટીન-દવા ડેટાથી ટ્રેન થયેલું AI મોડેલ પ્રોટીન અને દવાના અણુ વચ્ચેની ક્રિયાપ્રતિક્રિયાની આગાહી કરવામાં વધુ સારું પ્રદર્શન કરી શકે છે. વૈજ્ઞાનિકોના આ પ્રયાસથી ભવિષ્યમાં નવી દવાઓ શોધવા માટેનો સમય અને સંશોધન ખર્ચ ઘટાડવાની શક્યતા વધી શકે છે.

ફાર્મા કંપનીઓના ખાનગી ડેટાથી AIને મળી નવી શક્તિ

દવાની શોધમાં AIનો ઉપયોગ મુખ્યત્વે પ્રોટીનની રચના, દવાના અણુ અને બંને વચ્ચે થતી ક્રિયાપ્રતિક્રિયાને સમજવા માટે કરવામાં આવે છે. જોકે, અત્યાર સુધી AI મોડેલને ઉપલબ્ધ મોટાભાગનો ડેટા જાહેર સંશોધન ડેટાબેઝમાંથી મળતો હતો. ફાર્માસ્યુટિકલ કંપનીઓ પાસે દવાની શોધ દરમિયાન તૈયાર થતા હજારો Protein Structuresનો ખાનગી ડેટા હોય છે. આ ડેટામાં પ્રોટીન અને સંભવિત દવાના અણુઓ એકબીજા સાથે કેવી રીતે જોડાય છે તેની મહત્વપૂર્ણ માહિતી હોઈ શકે છે. નવા સંશોધનમાં આ જ પ્રકારના ખાનગી ડેટાનો ઉપયોગ કરીને AIની Drug Discovery ક્ષમતા સુધારવાનો પ્રયાસ કરવામાં આવ્યો છે.

20,167 પ્રોટીન સ્ટ્રક્ચરથી OpenFold-3ને અપાઈ નવી ટ્રેનિંગ

વૈજ્ઞાનિકોની આંતરરાષ્ટ્રીય ટીમે OpenFold-3 નામના ઓપન-સોર્સ AI મોડેલને વધારાના 20,167 Protein Structuresથી ટ્રેન કર્યું. આ પ્રોટીન સ્ટ્રક્ચર ડેટા પાંચ ફાર્માસ્યુટિકલ કંપનીઓ પાસેથી મેળવવામાં આવ્યો હતો. આ ડેટામાં એવા પ્રોટીન સ્ટ્રક્ચરનો સમાવેશ કરવામાં આવ્યો હતો, જે સંભવિત દવાઓ અથવા અન્ય અણુઓ સાથે જોડાયેલા હતા. ખાસ વાત એ છે કે ફાર્મા કંપનીઓનો ખાનગી ડેટા જાહેર કરવામાં આવ્યો નહોતો. આ ડેટાનો ઉપયોગ AI મોડેલની ટ્રેનિંગ માટે કરવામાં આવ્યો, જેથી Protein-Drug Interaction અંગે AIની આગાહી વધુ સચોટ બની શકે.

AI મોડેલની ચોકસાઈમાં નોંધપાત્ર સુધારો

AI મોડેલની વાસ્તવિક ક્ષમતા ચકાસવા માટે સંશોધકોએ 1,056 Protein-Drug Structuresનો અલગ ટેસ્ટ ડેટા તરીકે ઉપયોગ કર્યો. આ સ્ટ્રક્ચર્સ AIની ટ્રેનિંગમાં સામેલ કરવામાં આવ્યા નહોતા. ટેસ્ટ દરમિયાન ખાનગી ડેટાથી ટ્રેન થયેલા નવા મોડેલે અડધાથી વધુ કેસમાં ઉચ્ચ સ્તરની ચોકસાઈ દર્શાવી. તેની સરખામણીમાં માત્ર જાહેર ડેટા પર ટ્રેન થયેલા OpenFold-3એ લગભગ એક તૃતીયાંશ કેસમાં સમાન સ્તરની કામગીરી કરી. બીજા ઓપન-સોર્સ AI મોડેલ Boltz-2એ આશરે 40 ટકા કેસમાં સમાન સ્તરની કામગીરી દર્શાવી. આ પરિણામો દર્શાવે છે કે દવાની શોધ માટે AIને વધુ વૈવિધ્યસભર અને વાસ્તવિક Protein-Drug Interaction Data આપવાથી તેની આગાહી કરવાની ક્ષમતા સુધારી શકાય છે.

Protein Data Bankમાં 2 લાખથી વધુ સ્ટ્રક્ચર, છતાં દવા સંબંધિત ડેટાની અછત

પ્રોટીનની રચના સમજવા માટે Protein Data Bank (PDB) વિશ્વના મહત્વપૂર્ણ જાહેર ડેટા સંસાધનોમાંથી એક છે. તેમાં પ્રયોગશાળામાં મેળવેલા 2 લાખથી વધુ Protein Structures ઉપલબ્ધ છે. આટલા મોટા જાહેર ડેટાસેટે AlphaFold-2 જેવા AI મોડેલના વિકાસમાં મહત્વની ભૂમિકા ભજવી છે. પરંતુ AI Drug Discovery માટે માત્ર પ્રોટીનની રચના જાણવી પૂરતી નથી. AI માટે પ્રોટીન અને સંભવિત દવાના અણુ વચ્ચે કેવી રીતે અને ક્યાં જોડાણ થાય છે તેની માહિતી પણ અત્યંત મહત્વપૂર્ણ છે. આ પ્રકારનો ડેટા જાહેર ડેટાબેઝમાં પ્રમાણમાં ઓછો છે. બીજી તરફ, ફાર્માસ્યુટિકલ કંપનીઓ દવાની શોધ દરમિયાન મોટી સંખ્યામાં આવા પ્રોટીન સ્ટ્રક્ચર તૈયાર કરે છે.

X-Ray અને Cryo-EMથી તૈયાર થાય છે હજારો Protein Structures

ફાર્માસ્યુટિકલ કંપનીઓ દવાની શોધ અને સંશોધન દરમિયાન X-Ray Crystallography અને Cryo-Electron Microscopy (Cryo-EM) જેવી ટેક્નોલોજીનો ઉપયોગ કરીને પ્રોટીનની રચનાનો અભ્યાસ કરે છે. આ પ્રક્રિયામાં હજારો પ્રોટીન સ્ટ્રક્ચર તૈયાર થઈ શકે છે. પરંતુ નવી દવાઓના સંશોધન સાથે જોડાયેલા ઘણા પ્રોજેક્ટ ગોપનીય હોવાથી આ ડેટા જાહેર કરવામાં આવતો નથી. આ જ કારણસર ફાર્મા કંપનીઓના ખાનગી ડેટાને AI મોડેલની ટ્રેનિંગમાં સામેલ કરવાથી Drug Discovery AIને નવી માહિતી મળી શકે છે.

વધુ ખાનગી ડેટાથી AI વધુ સચોટ બની શકે?

સંશોધનના પરિણામોનો એક મહત્વપૂર્ણ સંકેત એ છે કે અલગ-અલગ ફાર્માસ્યુટિકલ કંપનીઓના ડેટાને એકસાથે ઉપયોગમાં લેવાથી AIની કામગીરીમાં વધુ સુધારો થઈ શકે છે. સહિયારા ડેટા પર ટ્રેન થયેલા AI મોડેલે કોઈ એક કંપનીના ખાનગી ડેટા પર ટ્રેન થયેલા મોડેલ કરતાં પણ સારું પ્રદર્શન કર્યું હતું. વૈજ્ઞાનિકોનું માનવું છે કે જો AIને વધુ Protein-Drug Interaction Data ઉપલબ્ધ થશે તો તે નવા Drug Targets શોધવા અને યોગ્ય દવાના ઉમેદવારો ઓળખવામાં વધુ મદદરૂપ બની શકે છે.

AIથી દવાની શોધ કેવી રીતે બદલાઈ શકે?

સરળ ભાષામાં સમજીએ તો વૈજ્ઞાનિકો AIને એ શીખવી રહ્યા છે કે કોઈ ચોક્કસ રોગ સાથે જોડાયેલા પ્રોટીન પર કઈ દવા અથવા દવાનો અણુ વધુ અસરકારક રીતે કામ કરી શકે છે. AIને જેટલા વધુ વાસ્તવિક ઉદાહરણો મળશે, તેટલી તેની Drug Effectiveness Prediction કરવાની ક્ષમતા સુધરી શકે છે. આ પ્રક્રિયા સફળ થાય તો દવાની શોધના શરૂઆતના તબક્કામાં જ બિનઅસરકારક દવાના ઉમેદવારોને ઓળખવામાં મદદ મળી શકે છે. પરિણામે વૈજ્ઞાનિકો વધુ આશાસ્પદ દવાઓ પર સંશોધન ઝડપથી આગળ વધારી શકે છે.

AI Drug Discoveryથી સમય અને ખર્ચ બચવાની શક્યતા

નવી દવા બજારમાં આવે તે પહેલાં લાંબી સંશોધન પ્રક્રિયામાંથી પસાર થવું પડે છે. આ દરમિયાન અનેક સંભવિત દવાના ઉમેદવારો પ્રયોગશાળાના પરીક્ષણોમાં નિષ્ફળ જાય છે. AI જો શરૂઆતના તબક્કામાં જ વધુ સચોટ આગાહી કરી શકે તો બિનઅસરકારક દવાના ઉમેદવારો પાછળ થતો સમય અને ખર્ચ ઘટાડવામાં મદદ મળી શકે છે. સાથે જ, સંભવિત રીતે વધુ અસરકારક દવાના ઉમેદવારોને ઝડપથી ઓળખીને તેમના પર વધુ સંશોધન કરવાની તક મળી શકે છે.

AIની આગાહી એટલે નવી દવા તૈયાર થઈ ગઈ એવું નથી

AI Drug Discoveryમાં થયેલી પ્રગતિ મહત્વપૂર્ણ છે, પરંતુ AI દ્વારા કોઈ દવાના ઉમેદવારની સફળ આગાહી થવી એટલે તે દવા દર્દીઓ માટે તરત ઉપલબ્ધ થઈ જશે એવું નથી. નવી દવાને Laboratory Testing, Preclinical Research, Clinical Trials અને Regulatory Approval સહિત અનેક તબક્કામાંથી પસાર થવું પડે છે. એટલે કે, AI દવાની શોધને વધુ ઝડપી અને ડેટા આધારિત બનાવી શકે છે, પરંતુ સલામત અને અસરકારક દવા દર્દીઓ સુધી પહોંચવા માટે વૈજ્ઞાનિક અને તબીબી પરીક્ષણોની સંપૂર્ણ પ્રક્રિયા હજુ જરૂરી રહેશે.

AI અને ખાનગી ફાર્મા ડેટા દવાની શોધનું ભવિષ્ય બદલી શકે

ફાર્માસ્યુટિકલ કંપનીઓના 20,167 ખાનગી Protein Structuresથી AI મોડેલને ટ્રેન કરવાના પરિણામો દર્શાવે છે કે ખાનગી અને જાહેર ડેટાનું યોગ્ય સંયોજન AI Drug Discoveryને વધુ શક્તિશાળી બનાવી શકે છે. ભવિષ્યમાં વધુ પ્રોટીન-દવા ડેટા ઉપલબ્ધ થશે અને AI મોડેલો વધુ સચોટ બનશે તો નવી દવાઓના સંભવિત લક્ષ્યો અને દવાના ઉમેદવારો શોધવાની પ્રક્રિયામાં મોટો ફેરફાર આવી શકે છે.