मोटर न्यूरॉन रोग जैसी विनाशकारी मस्तिष्क संबंधी बीमारियों के इलाज की तलाश तेजी से तेज हो गई है। नए निष्कर्षों के अनुसार, शोधकर्ता एआई सिस्टम तैनात कर रहे हैं जो दशकों के बजाय वर्षों में मस्तिष्क की स्थिति के लिए उम्मीदवारों की पहचान करने के लिए हजारों मौजूदा दवाओं को स्कैन कर सकता है। बीबीसी समाचार. यह सफलता दवा के पुनर्प्रयोजन पर केंद्रित है – मशीन लर्निंग का उपयोग करके सस्ती, पहले से ही स्वीकृत दवाओं का पता लगाना जो स्पष्ट रूप से छिपी हुई हैं जो न्यूरोडीजेनेरेटिव स्थितियों का इलाज कर सकती हैं। यह स्क्रैच से अणुओं को डिजाइन करने की तुलना में मौलिक रूप से अलग दृष्टिकोण है, और यह उन रोगियों को उपचार प्रदान कर सकता है जिनके पास समय की कमी है।
फार्मास्युटिकल उद्योग में समयरेखा की गंभीर समस्या है। किसी नई दवा को शुरू से विकसित करने में आमतौर पर 10 से 15 साल लगते हैं और इसकी लागत 2.6 बिलियन डॉलर से अधिक होती है। मोटर न्यूरॉन रोग जैसी तेजी से बढ़ने वाली मस्तिष्क संबंधी बीमारियों वाले रोगियों के लिए, यह समयरेखा मौत की सजा है। लेकिन AI उन नियमों को पूरी तरह से फिर से लिख रहा है।
शोधकर्ता अब मशीन लर्निंग सिस्टम तैनात कर रहे हैं जो हजारों मौजूदा, पहले से अनुमोदित दवाओं का विश्लेषण कर सकते हैं ताकि उन उम्मीदवारों की पहचान की जा सके जो पूरी तरह से अलग स्थितियों के लिए काम कर सकते हैं। जिस प्रक्रिया में कभी प्रयोगशाला में दशकों का काम और नैदानिक परीक्षण होते थे, वह अब वर्षों में हो सकती है, जिससे मस्तिष्क रोगों के लिए दवा की खोज का अर्थशास्त्र और गति मौलिक रूप से बदल जाएगी।
इस दृष्टिकोण को औषधि पुनर्प्रयोजन कहा जाता है, और यह पूरी तरह से नया नहीं है। वैज्ञानिकों ने पहले भी मौजूदा दवाओं के अप्रत्याशित उपयोग पर ठोकर खाई है – हृदय रोग के लिए एस्पिरिन या स्तंभन दोष के लिए वियाग्रा के बारे में सोचें। लेकिन वे खोजें काफी हद तक आकस्मिक थीं। अब जो अलग है वह यह है कि एआई आणविक संरचनाओं, जैविक मार्गों और नैदानिक डेटा के विशाल डेटासेट के माध्यम से व्यवस्थित रूप से शिकार कर सकता है ताकि यह अनुमान लगाया जा सके कि कौन सी दवाएं तंत्रिका विज्ञान अनुप्रयोगों में प्रवेश कर सकती हैं।
एमएनडी जैसी स्थितियों के लिए – जिसे एएलएस या लू गेहरिग्स रोग के रूप में भी जाना जाता है – तात्कालिकता अस्तित्व संबंधी है। अधिकांश मरीज़ निदान के बाद केवल तीन से पांच साल तक जीवित रहते हैं। इसका कोई इलाज नहीं है, और मौजूदा उपचार केवल धीमी गति से प्रगति कर रहे हैं। यह रोग मोटर न्यूरॉन्स को नष्ट कर देता है, धीरे-धीरे रोगियों को तब तक लकवाग्रस्त कर देता है जब तक कि वे चलने, बोलने या अंततः सांस लेने में असमर्थ नहीं हो जाते। हर साल इलाज ढूंढने में देरी का मतलब है हज़ारों और मौतें।
यहीं पर एआई की गति का लाभ परिवर्तनकारी हो जाता है। पारंपरिक दवा की खोज के लिए शोधकर्ताओं को किसी बीमारी के सटीक जैविक तंत्र को समझने, उन तंत्रों को लक्षित करने के लिए अणुओं को डिजाइन करने, कोशिकाओं, फिर जानवरों, फिर मनुष्यों में उनका परीक्षण करने की आवश्यकता होती है। यह व्यवस्थित है लेकिन कष्टदायक रूप से धीमा है। मशीन लर्निंग उस प्रक्रिया को पलट सकती है – परिणामों से शुरू करना और वांछित प्रभाव पैदा करने वाली दवाओं की पहचान करने के लिए पीछे की ओर काम करना, भले ही वैज्ञानिक पूरी तरह से समझ न सकें कि ऐसा क्यों है।
सिस्टम विशाल डेटासेट – इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड, जीनोमिक डेटाबेस, प्रोटीन संरचनाएं, रासायनिक पुस्तकालयों पर प्रशिक्षण द्वारा काम करते हैं। वे ऐसे पैटर्न सीखते हैं जिन्हें मनुष्य कभी नहीं पहचान पाएंगे: किसी दवा की आणविक संरचना और तंत्रिका मार्गों पर इसके प्रभाव के बीच सूक्ष्म सहसंबंध, या प्रतीत होता है कि असंबंधित बीमारियों के बीच अप्रत्याशित ओवरलैप। जब मस्तिष्क की स्थितियों की ओर इशारा किया जाता है, तो ये मॉडल मौजूदा दवाओं की रैंक वाली सूचियां तैयार कर सकते हैं जिनके चिकित्सीय प्रभाव होने की संभावना सबसे अधिक होती है।
लागत निहितार्थ चौंका देने वाला है. पुनर्निर्मित दवाओं ने पहले ही सुरक्षा परीक्षणों को मंजूरी दे दी है, जिससे विकास के समय और व्यय दोनों में कटौती हुई है। वे अक्सर ऑफ-पेटेंट होते हैं, जिसका अर्थ है कि उपचार प्रति वर्ष सैकड़ों हजारों की कीमत के बजाय किफायती हो सकता है। दुनिया भर में स्वास्थ्य प्रणालियों के लिए, यह उस उपचार के बीच का अंतर है जो सैद्धांतिक रूप से उपलब्ध है और जो वास्तव में उन रोगियों के लिए सुलभ है जिन्हें इसकी आवश्यकता है।
लेकिन यह दृष्टिकोण चुनौतियों से रहित नहीं है। सिर्फ इसलिए कि एआई भविष्यवाणी करता है कि कोई दवा काम कर सकती है, इसका मतलब यह नहीं है कि यह काम करेगी – प्रभावकारिता साबित करने के लिए नैदानिक परीक्षणों की अभी भी आवश्यकता है। और मस्तिष्क की बीमारियाँ बेहद कठिन होती हैं क्योंकि दवाओं को रक्त-मस्तिष्क बाधा को पार करना पड़ता है, एक जैविक रक्षा तंत्र जो अधिकांश दवाओं को तंत्रिका ऊतक तक पहुंचने से रोकता है। फिर भी, एक मामूली सफलता दर भी वर्तमान हिट-या-मिस प्रक्रिया से एक बड़ी छलांग का प्रतिनिधित्व करेगी।
यहां व्यापक पैटर्न यह है कि फार्मास्युटिकल अनुसंधान में एआई प्रयोगात्मक से आवश्यक की ओर बढ़ रहा है। गूगल का अल्फाफोल्ड ने पहले ही प्रोटीन संरचना भविष्यवाणी में क्रांति ला दी है। माइक्रोसॉफ्ट एआई-संचालित क्लिनिकल परीक्षण अनुकूलन पर दवा कंपनियों के साथ साझेदारी कर रहा है। और स्टार्टअप एंटीबॉडी डिज़ाइन से लेकर मरीज़ मिलान तक हर चीज़ में मशीन लर्निंग लागू करने के लिए करोड़ों रुपये जुटा रहे हैं। मस्तिष्क रोगों के लिए दवा का पुनर्प्रयोजन नवीनतम सीमा है – और संभावित रूप से सबसे प्रभावशाली में से एक।
हर साल एमएनडी और इसी तरह की स्थितियों से पीड़ित हजारों रोगियों के लिए, समयरेखा का दशकों से वर्षों में बदलाव सिर्फ तेज विज्ञान के बारे में नहीं है। मायने यह रखता है कि उपचार समय पर आता है या नहीं। यही वह वादा है जो शोधकर्ताओं को पहले सिद्धांतों से दवा की खोज को फिर से बनाने के लिए प्रेरित कर रहा है, जिसमें एआई एक ऐसा त्वरक है जो असंभव को केवल कठिन बना देता है।
एआई और तंत्रिका विज्ञान का अभिसरण न केवल दवा की खोज को तेज़ बना रहा है – यह इसे मौलिक रूप से अलग बना रहा है। खरोंच से नए अणुओं को डिजाइन करने के बजाय मौजूदा दवाओं के माध्यम से खोज करके, शोधकर्ता समय-सीमा को ध्वस्त कर सकते हैं जो एक बार दशकों में वर्षों में मापी गई अवधि में फैल गई थी। न्यूरोडीजेनेरेटिव बीमारियों का सामना करने वाले रोगियों के लिए जहां हर महीना मायने रखता है, उस तेजी का मतलब बहुत देर से आने वाले उपचार और समय पर आने वाले उपचार के बीच अंतर हो सकता है। अब सवाल यह नहीं है कि क्या एआई फार्मास्युटिकल अनुसंधान को बदल देगा, बल्कि यह है कि वे परिवर्तन कितनी जल्दी उन रोगियों तक पहुंच सकते हैं जिन्हें उनकी सबसे ज्यादा जरूरत है।
