कैसे 'एमएल' नई और बेहतर दवाएं पहचानने में मददगार साबित हो रहा है ?

  'आर्टिफिशियल इंटेलिजेंस' ने अपना प्रभाव हर क्षेत्र में साबित किया है, और इससे हेल्थ नेटवर्क कैसे अछूता रहता? इस तकनीक ने दवा विकास प्रक्रिया में क्रांति ला दी है, जिससे काम तेज, अधिक कुशल और अधिक प्रभावी हो गया है।

  जब डॉ. रॉबर्ट मर्फी ने पहली बार 1970 के दशक के अंत में जैव रसायन और दवा विकास पर शोध करना शुरू किया, तो एक ऐसे फार्मास्युटिकल यौगिक का निर्माण किया जो बाजार के लिए प्रभावी और सुरक्षित था, एक सख्त प्रयोगात्मक पाइपलाइन का पालन किया जिसे कंप्यूटर पर बड़े पैमाने पर डेटा संग्रह और विश्लेषण द्वारा बढ़ाया जाने लगा था।  .

  अब कार्नेगी मेलन यूनिवर्सिटी (सीएमयू) में कम्प्यूटेशनल बायोलॉजी के लिए मर्फी लैब के प्रमुख, मर्फी ने वर्षों से देखा है कि डेटा संग्रह और कृत्रिम बुद्धिमत्ता ने इस प्रक्रिया में क्रांति ला दी है, जिससे दवा निर्माण पाइपलाइन तेज, अधिक कुशल और अधिक प्रभावी हो गई है।

  हाल ही में, यह मशीन लर्निंग-कंप्यूटर सिस्टम के अनुप्रयोग के लिए आभार है जो डेटासेट में पैटर्न का विश्लेषण करने के लिए एल्गोरिदम और सांख्यिकीय मॉडल का उपयोग करके सीखते और अनुकूलित करते हैं - दवा विकास प्रक्रिया के लिए।  मर्फी कहते हैं, साइड इफेक्ट्स की उपस्थिति को कम करने के लिए यह विशेष रूप से महत्वपूर्ण है।

  मर्फी ने कहा, "लगभग 10 साल पहले या उसके बाद, यह सवाल उठने लगा था कि क्या उस प्रक्रिया को बेहतर बनाने का कोई तरीका है जिससे हम इस बात पर विचार करें कि एक समय में एक से अधिक चीजों पर ड्रग्स की क्या विशेषताएं हैं।"

  पारंपरिक दवा निर्माण में, वैज्ञानिक शरीर में एक लक्ष्य की पहचान करते हैं - एक प्रोटीन जो किसी बीमारी का कारण बनने के लिए किसी तरह से उत्परिवर्तित होता है - और उस पर रासायनिक यौगिकों की एक बड़ी श्रृंखला का परीक्षण तब तक करते हैं जब तक कि वे एक वांछित प्रभाव प्राप्त नहीं कर लेते हैं, या तो नकारात्मक प्रभाव को रोकते हैं और सकारात्मकता को बढ़ाता है।  रोगियों पर उपयोग के लिए नियामकों (यू.एस., खाद्य एवं औषधि प्रशासन में) से अनुमोदन प्राप्त होने तक साइड इफेक्ट्स को खत्म करने के लिए इस यौगिक को तब तक नैदानिक ​​​​परीक्षणों में बदल दिया जाता है और परीक्षण किया जाता है।

  जब मशीन लर्निंग को लागू किया जाता है, तो यह प्रक्रिया तेज और अधिक प्रभावी हो जाती है, एक ही समय में वांछित लक्ष्य पर यौगिकों की एक बड़ी रेंज (या कभी-कभी पूरी तरह से नए का आविष्कार) के प्रभाव का परीक्षण कम हो गया है।

  अनुसंधान और विकास खर्च में औसत दवा की लागत लगभग 2.8 बिलियन डॉलर है और इसे नैदानिक ​​परीक्षणों को पूरा करने और बाजार के लिए अनुमोदन प्राप्त करने में लगभग 10 साल लगते हैं।  मर्फी ने नोट किया कि यदि पर्याप्त रोगियों को प्रतिकूल साइड इफेक्ट का अनुभव होता है तो यह प्रक्रिया एक दवा को वापस बुलाए जाने के साथ समाप्त होती है।

  लेकिन मशीन लर्निंग पाइपलाइन में किंक को खत्म कर सकता है और एक ही झटके में वांछित लक्ष्य पर यौगिकों की एक अनंत श्रेणी का परीक्षण करके वापस बुलाने की संभावना को कम कर सकता है।  एमएल सिस्टम दवा-प्रोटीन इंटरैक्शन, हस्तक्षेप की प्रभावकारिता, संभावित साइड इफेक्ट्स की भविष्यवाणी कर सकते हैं, और एक दवा के लिए अणु की जैविक प्रतिक्रिया को अनुकूलित कर सकते हैं।

  कम्प्यूटेशनल जीव विज्ञान के क्षेत्र में एक अग्रणी दिमाग और विषय पर सीएमयू के कार्यक्रम के अग्रणी के रूप में, मर्फी ने खुद इसमें एक मजबूत भूमिका निभाई है।  2011 में, उन्होंने एक टिप्पणी लिखी जिसमें कहा गया था कि मशीन लर्निंग दवा की खोज प्रक्रिया में बढ़ते महत्व की भूमिका निभाएगी।  लेकिन उनका तर्क एक कदम आगे बढ़ गया, सक्रिय मशीन सीखने, या एमएल के एक सबसेट के उपयोग की वकालत करते हुए, जिसमें उपयोगकर्ता वांछित परिणामों पर मशीन की प्रतिक्रिया प्रदान करता है, समय के साथ इसकी दक्षता और सटीकता में सुधार करता है।  दवा की खोज प्रक्रिया में, एक विशिष्ट लक्ष्य पर एक विशिष्ट यौगिक को स्क्रीन करने के लिए आवश्यक प्रयोगों की संख्या, जबकि अन्य लक्ष्यों पर प्रभाव की निगरानी जल्दी से बोझिल हो सकती है।  सक्रिय एमएल शोधकर्ताओं को प्रयोग को निर्देशित करने का अवसर प्रदान करता है, कंप्यूटर की निगरानी करता है क्योंकि यह उन प्रयोगों को चुनता है जो मॉडल में सुधार करने की सबसे अधिक संभावना रखते हैं।

  मर्फी ने उस समय अपनी कमेंट्री में लिखा था, "संभावित दवाओं के प्रभावों का अधिक व्यापक रूप से आकलन करने की क्षमता से दवा की खोज और विकास में नाटकीय रूप से सुधार होगा।"

  "स्पष्ट रूप से बहुत काम किया जाना बाकी है," वे आगे कहते हैं,  "जिनमें से कम से कम चिकित्सकों को कुछ महत्वपूर्ण निर्णय मशीनों को सौंपने के मूल्य के बारे में समझाने के लिए सिस्टम नहीं है।"

  मर्फी के पास अब गहरी शिक्षा पर अपनी जगहें हैं, मशीन सीखने का एक सबसेट जो तंत्रिका नेटवर्क और मानव मस्तिष्क की संरचनाओं द्वारा निर्देशित है, जिससे वैज्ञानिकों को ऐसे मॉडल बनाने की इजाजत मिलती है जिनके लिए मानव हस्तक्षेप की  आवश्यकता कम होती है।

  इस साल की शुरुआत में, एमआईटी में शोधकर्ताओं का एक समूह एक गहरी सीखने वाली दवा खोज तकनीक पर उतरा जो दवा उम्मीदवारों के बीच बाध्यकारी संबंधों की छवियों का उपयोग करता है और प्रोटीन को लक्षित करता है ताकि "पिछले परिणाम की तुलना में समय के एक अंश में सटीक परिणाम प्राप्त हो सके”। शोधकर्ताओं का दावा है कि मॉडल के बीच बाध्यकारी संबंधों की एक मशीन छवियों को खिलाकर, शोधकर्ताओं ने यह गणना करने के लिए परीक्षण सिखाया कि एक दवा पिछले तरीकों की तुलना में लगभग 50 गुना तेजी से प्रोटीन को कितनी अच्छी तरह बांधती है।

  मर्फी की अपनी शोध सुविधा, कार्नेगी मेलन, दुनिया की पहली विश्वविद्यालय-आधारित क्लाउड लैब का संचालन करने की कगार पर है, जो दूर से संचालित अनुसंधान सुविधा है जो मशीनों को प्रयोग प्रक्रिया में दिन-प्रतिदिन के निर्णय कॉल को सौंपने के लिए प्रयोगशाला स्वचालन का उपयोग करती है।

यह $ 40 मिलियन की परियोजना है, जो लैब एक ही समय में 100 से अधिक जटिल प्रयोगों को चलाने में 24/7 सक्षम होगी।

  "आपको वैज्ञानिकों को यह कहने की ज़रूरत नहीं है, 'अच्छा हमें आगे क्या करना चाहिए, मुझे इसके बारे में सोचने दो," मर्फी आगे कहते हैं।  "आपके पास कंप्यूटर हो सकता है कि वह निर्णय ले रहा हो, और फिर निष्पादित कर रहा हो, और अपने परिणामों को बेहतर बनाने के लिए लगातार चल रहा हो, और तब रुक जाता है जब वह वांछित लक्ष्य तक पहुँच जाता है। ”

  एमएल तकनीक, दवा निर्माण को बढ़ाने के लिए लगातार सुधार कर रही है - और इस प्रकार, रोगी परिणाम - हालांकि वह निश्चित रूप से अनिश्चित है कि गहरी शिक्षा जैसे उपकरण ने इस क्षेत्र में प्रवेश करने के बाद से प्रक्रिया का कितना समय कम कर दिया है।  लेकिन वह निश्चित है कि इसने दवा निर्माण प्रक्रिया को और भी सटीक बना दिया है।

  “प्रयोगों के संदर्भ में, उन प्रक्रियाओं को करने में अभी भी समय लगता है, लेकिन आपको बेहतर परिणाम मिलते हैं” और "यह हो सकता है कि अगले चरण में हम जो सुधार देखते हैं, वह बेहतर होने के बारे में बहुत अधिक है, अधिक सफल चिकित्सा विज्ञान की तुलना में यह उन्हें तेजी से प्राप्त कर रहा है।"