चिकित्सा में ऐ: जीवन विज्ञान और दवा की खोज

नमस्कार, हेब्र! आज मैं आपको अलेक्जेंडर झावोरोंकोव के साथ अपने एक अद्भुत साक्षात्कार का अनुवाद दिखाऊंगा। मुझे आशा है कि मेरे लिए अनुवाद करने के लिए आपके लिए पढ़ना उतना ही दिलचस्प होगा।



आर्टिफिशियल इंटेलिजेंस हमें बेहतर स्वास्थ्य, तेजी से दवा विकास और परीक्षण का वादा करता है। यह सब रोगी के परिणामों में सुधार के लक्ष्य के साथ किया जाता है। आज हम जीवन विज्ञान में कृत्रिम बुद्धि के उपयोग पर एक विश्व विशेषज्ञ के साथ बात कर रहे हैं, जिसका लक्ष्य दवाओं को तेजी से और सस्ता खोजना और विकसित करना है।

अलेक्जेंडर झावोरोंकोव इंसिलिको मेडिसिन के संस्थापक और सीईओ हैं। कंपनी अगली पीढ़ी के कृत्रिम बुद्धिमत्ता के क्षेत्र में अग्रणी है, जिसके तरीकों का उद्देश्य नई दवाओं की खोज, बायोमार्कर के विकास और उम्र बढ़ने पर शोध करना है। इंसिलिको से पहले, उन्होंने एटीआई टेक्नोलॉजीज, न्यूरो जीनोइन्फॉर्मेटिक्स, फाउंडेशन फॉर बायोगेरोन्टोलॉजिकल रिसर्च एंड वाईलाबेएआईएआई में प्रबंधन भूमिकाओं में काम किया। 2012 से, उन्होंने 130 से अधिक सहकर्मी की समीक्षा की वैज्ञानिक लेख और 2 पुस्तकें प्रकाशित की हैं। छह साल के लिए, उन्होंने बेसल में बेसल लाइफ / ईएमबीओ में वार्षिक फोरम "ड्रग की खोज और स्वास्थ्य के लिए कृत्रिम बुद्धिमत्ता के लिए उम्र बढ़ने पर अनुसंधान" का आयोजन किया। अलेक्जेंडर बक इंस्टीट्यूट फॉर एजिंग रिसर्च में एसोसिएट प्रोफेसर हैं।



माइकल क्रिएगमैन : इंसिलिको मेडिसिन और आप क्या काम कर रहे हैं, इसके बारे में संक्षेप में बताएं।

अलेक्जेंडर झावोरोंकोव: हम मुख्य रूप से दवा विकास, बायोमार्कर विकास और उम्र बढ़ने के अनुसंधान के लिए अगली पीढ़ी के कृत्रिम बुद्धिमत्ता के तरीकों पर केंद्रित हैं। हम विशेष रूप से दो मशीन सीखने की तकनीक पर ध्यान केंद्रित करते हैं: जनरेटरी एडवरसरी नेटवर्क ( GAN ) और प्रबलित शिक्षण । ये ऐसी विधियाँ हैं जिनमें हम अपने क्षेत्र में सबसे अधिक अनुभवी हैं।

हम इन विधियों का उपयोग दो उद्देश्यों के लिए करते हैं। उनमें से एक जैविक लक्ष्यों की पहचान और कई प्रकार के डेटा से बायोमार्कर के निर्माण के साथ-साथ नए अणुओं का निर्माण, गुणों के एक विशिष्ट सेट के साथ नए आणविक संरचनाएं हैं। हम पहली कंपनियों में से एक थे, शायद पहली बार नई तकनीक का निर्माण किया गया था, जो कि एक नई तकनीक का उपयोग किया गया था, जिसे जनन-प्रतिस्पर्धी नेटवर्क कहा जाता था, और इन अणुओं का परीक्षण करने के लिए।

दवा विकास पाइपलाइन क्या है?

माइकल क्रिएगमैन: हमें कुछ संदर्भ दें। दवा विकास पाइपलाइन क्या है? यह इतना कठिन क्यों है? चलिए इसके बारे में बात करते हैं। तब हम आगे बढ़ सकते हैं कि एआई इसे कैसे बेहतर, आसान बनाता है।

अलेक्जेंडर झावोरोंकोव: दवाओं की खोज और विकास एक बहुत लंबी प्रक्रिया है। यह उन प्रक्रियाओं में से भी एक है जहां आपको सफलताओं की तुलना में अधिक विफलताएं हैं। वास्तव में, सफलताओं की तुलना में कहीं अधिक विफलताएं हैं।

एक दवा विकसित करने और एक विशिष्ट बीमारी के इलाज के लिए इसे बाजार में लाने में $ 2.6 बिलियन से अधिक का समय लगता है। यह पशुओं में अणु का परीक्षण करने के बाद है। इसके अलावा, पशुओं में अणु का परीक्षण किए जाने के बाद, विफलता दर 92% है। जब मनुष्यों में एक दवा का परीक्षण किया जाता है, तो यह 92% मामलों में विफल हो जाता है। तो, प्रक्रिया न केवल लंबी है, बल्कि जोखिम भरी भी है।

आमतौर पर, एक अणु की खोज और विकास के लिए आवश्यक समय लगभग दस वर्ष है। जब लोग अणु पर हमला करते हैं, तो प्रक्रिया शुरू करने वाले लोग हमेशा मौजूद नहीं होते हैं। प्रक्रिया में कई चरण होते हैं।

पहली परिकल्पना पीढ़ी है। आप एक परिकल्पना को आगे रखते हैं, एक विशिष्ट बीमारी का एक सिद्धांत और उचित लक्ष्य निर्धारित करते हैं। आप इस बारे में बात कर रहे हैं कि कौन से प्रोटीन बीमारी में शामिल हैं और कौन से प्रोटीन इसका कारण हैं।

उसके बाद, आप जाते हैं और इस लक्ष्य प्रोटीन के लिए एक एंटीबॉडी या छोटे अणु विकसित करते हैं। यदि आप एक छोटे अणु का विकास कर रहे हैं, तो आप आमतौर पर यौगिकों के बड़े पुस्तकालयों की जांच करके शुरू करते हैं जो इस विशेष लक्ष्य को हिट कर सकते हैं, और यह देखने के लिए सभी प्रकार के प्रयोग करते हैं कि ये छोटे अणु इस लक्ष्य को कितनी अच्छी तरह से बांधते हैं।

उसके बाद, आप कई विकल्पों का चयन करते हैं। आप निर्धारित करते हैं कि कौन से अणु इस प्रोटीन लक्ष्य के लिए सबसे उपयुक्त हैं, और इन अणुओं पर सभी प्रकार के प्रयोग करना शुरू करते हैं, ताकि यह निर्धारित किया जा सके कि वे जैविक प्रणाली में अच्छी तरह से काम करते हैं, एक रोग-संबंधी विश्लेषण में, एक माउस, कुत्ते या अन्य जानवरों में, और फिर आप नैदानिक ​​परीक्षणों में अणु प्राप्त करने के लिए FDA के साथ एक IND ( नई दवा अनुसंधान ) के लिए आवेदन करते हैं।

इस प्रक्रिया के पूरा होने के बाद, हम दवाओं का विकास शुरू करते हैं और नैदानिक ​​परीक्षण शुरू करते हैं। यह सभी चरण I से शुरू होता है, जो सुरक्षा से संबंधित है। चरण II में, आप प्रभावशीलता के लिए दवा का परीक्षण करते हैं। चरण III में, आप बड़ी आबादी में, बड़ी नैदानिक ​​सेटिंग्स में दोनों चरणों का परीक्षण करते हैं। आप IV चरण के लिए आगे बढ़ सकते हैं या उत्पाद की रिहाई शुरू कर सकते हैं।

दवा की खोज और विपणन के बाद के शोध

अलेक्जेंडर झावोरोंकोव: और फिर पोस्ट-मार्केटिंग रिसर्च। यह प्रक्रिया आमतौर पर दस साल से अधिक समय लेती है और 92% मामलों में विफल हो जाती है।

एआई के साथ, आप वास्तव में लगभग सभी क्षेत्रों में खेल सकते हैं, प्रारंभिक चरण में दवाओं की खोज के साथ शुरू, जब एआई आपको परिकल्पना मॉडल के साथ मदद कर सकता है और वास्तव में, छोटे अणुओं की पहचान के साथ, लक्ष्य की पहचानकर्ता के साथ सुइयों को आभासी स्क्रीनिंग के साथ खींच सकता है। विशेष गुणों के साथ नए अणुओं के निर्माण के साथ, एक नैदानिक ​​परीक्षण के डिजाइन की योजना और एक नैदानिक ​​परीक्षण में शामिल किए जाने के साथ। और फिर, नैदानिक ​​परीक्षणों के परिणामों की भविष्यवाणी करने के लिए भी।

माइकल क्रिस्गमैन: एआई प्रक्रिया को छोटा करना शुरू करता है, यह बेहतर है?

अलेक्जेंडर झावोरोंकोव: यदि आप दवा के विकास के प्रारंभिक चरण में हैं, तो हाइपोथेसिस पैदा करने और लक्ष्यों की पहचान करने पर काम करना शुरू करें, आमतौर पर आपके पास पालन करने के कई तरीके होते हैं। एक तरीका यह है कि साहित्य की खोज करें और उन होनहार क्षेत्रों की पहचान करें जो अतीत और प्रकाशित वैज्ञानिकों द्वारा खोजे गए हैं।

एआई आपको संकेत और लक्ष्यों की पहचान करने के लिए बड़ी मात्रा में साहित्य, साथ ही साथ अन्य संबंधित स्रोतों का उत्पादन करने में मदद कर सकता है जो बीमारी से जुड़े हो सकते हैं। हम इनसिलिको में आमतौर पर अनुदान डेटा के साथ शुरू करते हैं। हम पिछले 25 वर्षों में लगभग 1.7 ट्रिलियन डॉलर मूल्य के बायोमेडिकल अनुदान देख रहे हैं। फिर हम देखते हैं कि ये अनुदान कैसे प्रकाशनों में बदल जाते हैं, नैदानिक ​​परीक्षण पेटेंट में, और फिर बाजार में उत्पादों में।

हम विचार से विचार तक और धन से धन तक, अर्थात् बाजार से धन का पालन करते हैं। हम यह भी देखते हैं कि पैसा डेटा कैसे बनता है। इसलिए, आमतौर पर, जब सरकार एक निश्चित अध्ययन का समर्थन करती है, तो डेटा को एक सार्वजनिक भंडार में संग्रहीत किया जाना चाहिए ताकि अन्य लोग इसे कॉपी कर सकें, साथ ही साथ आम अच्छे के लिए भी।

हम डेटा में पैसे का हिसाब रखने की कोशिश करते हैं। यदि कोई डेटा नहीं है, तो हम वैज्ञानिक से संपर्क करने का प्रयास करते हैं और वैज्ञानिक से डेटा प्राप्त करते हैं और / या वैज्ञानिक से एक सार्वजनिक स्टोर में डेटा डालने का आग्रह करते हैं।

हम पाठ डेटाबेस से शुरू करते हैं, लेकिन इस डेटा को omix डेटा के साथ भी जोड़ते हैं। वास्तव में, सब कुछ जो "ओमिक" (ट्रांसक्रिपटॉमिक्स, जीनोमिक्स, मेटाबोलामिक्स, मेटागेनामिक्स) के साथ समाप्त होता है, को ओमेक्स डेटा कहा जाता है।

हम मुख्य रूप से जीन अभिव्यक्ति पर डेटा के साथ काम करते हैं, इसलिए हम यह देखते हैं कि कुछ जीनों या पूरे नेटवर्क की अभिव्यक्ति का स्तर कैसे बदलता है, कहते हैं, एक स्वस्थ राज्य से एक बीमारी के लिए। हम इन परिवर्तनों को बीमारी के इन संकेतों को अलग-अलग लक्ष्यों में बदल देते हैं, और यह निर्धारित करते हैं कि किस प्रकार के प्रोटीन को एक छोटे अणु का उपयोग करके लक्षित किया जा सकता है।

फिर हम पाठ में पूर्व कला में जाते हैं और देखते हैं कि क्या किसी ने कुछ भी प्रकाशित किया है जो हमारी परिकल्पना को सुदृढ़ करेगा। इसका मतलब यह नहीं है कि पाठ में कोई संकेत नहीं होने पर हमारी परिकल्पना गलत है, क्योंकि कभी-कभी लोग वास्तव में पुराने तरीकों का उपयोग करके बीमारी के साथ एक विशिष्ट लक्ष्य को जोड़ नहीं सकते हैं, लेकिन इससे हमें यह देखने के लिए थोड़ा और आत्मविश्वास मिलता है कि कोई पहले से ही है इस समस्या और इस लक्ष्य से पहले छुआ।

हम भारी मात्रा में डेटा एकत्र करते हैं जो मानव बुद्धि की मदद से संसाधित करना असंभव है। हम इन डेटा प्रकारों को इकट्ठा और संयोजित भी करते हैं। कभी-कभी ये डेटा प्रकार पूरी तरह से असंगत होते हैं, और मानक उपकरणों का उपयोग करके बस उन्हें एक साथ सीवे करना असंभव है। आपको वास्तव में कई डेटा पैकेटों में एक साथ गहरे तंत्रिका नेटवर्क को प्रशिक्षित करने की आवश्यकता है ताकि उन्हें सामान्यीकृत किया जा सके और ताकि हम एक ही समय में कई डेटा प्रकारों में मौजूद संबंधित फ़ंक्शन निकाल सकें।

हमारे द्वारा काम किए जाने वाले कुछ प्रकार के डेटा मानव मन के लिए पूरी तरह से समझ से बाहर हैं। उदाहरण के लिए, जीन अभिव्यक्ति डेटा या आंदोलन डेटा, या हृदय गतिविधि, या अल्ट्रासाउंड डेटा के स्कैन डेटा। हम एआई का उपयोग करके इन डेटा प्रकारों को संयोजित करने का प्रबंधन करते हैं, और फिर संबंधित लक्ष्य निर्धारित करते हैं।

जीव विज्ञान बनाम कृत्रिम बुद्धिमत्ता

माइकल क्रिएगमैन : इनसिलिको में, आपका मुख्य विशेषज्ञता जीव विज्ञान और चिकित्सा या कृत्रिम बुद्धिमत्ता विधियों का विकास है? क्या इन दोनों दिशाओं को अलग करना संभव है?

एलेक्स झावोरोंकोव: हमारे मामले में, दोनों क्षेत्र अच्छे हैं, और हम अंतरराष्ट्रीय स्तर पर लोगों को प्रतिस्पर्धी आधार पर रखते हैं। प्रतियोगिताओं में, हम बहुत जटिल परीक्षण करते हैं जो लोगों को बहुत जल्दी हल करना चाहिए। ये समस्याएं आमतौर पर एआई विधि के विकास और एक जटिल जैविक या रासायनिक समस्या के समाधान से जुड़ी होती हैं।

हालांकि, जब आप एआई से वास्तव में महान वैज्ञानिकों को देखते हैं, तो वे आमतौर पर जीव विज्ञान या रसायन विज्ञान में बहुत अच्छे नहीं होते हैं। वे गणित में अच्छे हैं। यही कारण है कि हमारी कंपनी का एक निश्चित प्रतिशत केवल अद्भुत गणितज्ञ हैं जो नए तरीकों को विकसित करते हैं, उदाहरण के लिए, गहरी शिक्षा का उपयोग करके रसायन विज्ञान और जीव विज्ञान को संयोजित करना।

कंपनी का एक हिस्सा मौजूदा तरीकों को लागू करने में माहिर है, जैसे GAN, और रसायन विज्ञान और जीव विज्ञान में मौजूदा समस्याओं पर प्रशिक्षण को बढ़ाना। ये लोग आमतौर पर लागू पक्ष पर होते हैं, और वे रसायन विज्ञान और जीव विज्ञान दोनों जानते हैं। वे गणितज्ञों के साथ संवाद कर सकते हैं, साथ ही एआई के क्षेत्र में कुछ बुनियादी शोध कर सकते हैं।

बेशक, हमारे पास केवल शुद्ध जीवविज्ञानी और रसायनज्ञ हैं जिन्हें हमारे एआई के कुछ परिणामों का परीक्षण करने की भी आवश्यकता है। इसलिए हमारे पास इतनी बड़ी, विविधतापूर्ण और अंतरराष्ट्रीय टीम है, क्योंकि हमें वास्तव में इन तीन क्षेत्रों को कवर करने की आवश्यकता है: विधियाँ, अनुप्रयोग और मान्यता।

माइकल क्रिस्गमैन: हमारे पास ट्विटर पर क्रिस पीटरसन का एक दिलचस्प सवाल है: "ग्रिड आधारित फोरट्रान समानांतर कार्यक्रम अभी भी कुछ फार्माकोकाइनेटिक और फार्माकोडायनामिक अध्ययनों के लिए उपयोग किया जाता है। क्या आप देखते हैं कि AI पुराने स्कूल के कोड को बदल देता है, इसे बढ़ाता है या समानांतर रूप से विकसित करता है? ”

अलेक्जेंडर झावोरोंकोव: मुझे लगता है कि अब हमें समानांतर में आगे बढ़ने की जरूरत है। बेशक, कुछ पुराने तरीके अभी भी दवा की खोज के क्षेत्र में अग्रणी विशेषज्ञों द्वारा उपयोग किए जाते हैं। लेकिन इन तरीकों में से अधिकांश उच्च-प्रदर्शन कंप्यूटिंग और कृत्रिम बुद्धिमत्ता से काफी तेज हैं, इसलिए यह एक विशिष्ट सॉफ्टवेयर है जो बहुत लंबे समय से अस्तित्व में है, उदाहरण के लिए, श्रोडिंगर। कंपनी 92 साल से मौजूद है।

कंपनी ने कई क्षेत्रों में एक बड़ी सफलता हासिल की, और वे बहुत जटिल समस्याओं को हल करने के लिए पुराने एल्गोरिदम को आगे बढ़ाने में कामयाब रहे। मुझे लगता है कि इंसिलिको में हम हर चीज को फिर से बनाने और अपना सॉफ्टवेयर लिखने की कोशिश कर रहे हैं। लेकिन, निश्चित रूप से, हम अपने कई कर्मचारियों को जानते हैं जो बस हमारी बड़ी सलामी के छोटे टुकड़े लेना चाहते हैं, जिसे हम विकसित कर रहे हैं, और इसके साथ खेलते हैं। शायद वे अधिक क्लासिक उपकरणों का उपयोग कर रहे हैं जिन्हें हम अभी प्राप्त नहीं कर सकते हैं।

आदर्श रूप से, आपके पास एक टुकड़ा-वाहक होना चाहिए जो लक्ष्यों की पहचान करता है, अणु बनाता है और एक निर्बाध कन्वेयर में बड़ी संख्या में सिमुलेशन के माध्यम से इन अणुओं का संचालन करता है। यह वही है जो हम बना रहे हैं, और यह हमारा पवित्र कंघी बनानेवाले की रेती है। लेकिन, निश्चित रूप से, कई कंपनियां, कई समूह लेगो गेम बनाने की कोशिश कर रहे हैं और एक ही समस्या को हल करने के लिए विभिन्न आउटपुट के साथ कई उपकरणों का उपयोग करने की कोशिश कर रहे हैं।

कंपनी के भीतर एआई उपकरणों का विकास

माइकल क्रिएगमैन: आप अपने खुद के उपकरण क्यों विकसित कर रहे हैं?

अलेक्जेंडर झावोरोंकोव: हाँ, सिर्फ इसलिए कि हमारे द्वारा उपयोग किए जाने वाले कई तरीके इतने नए हैं कि वे पुराने उपकरणों के साथ असंगत हैं। ऐसे कई समूह हैं जो कृत्रिम बुद्धिमत्ता में संलग्न होने का दावा करते हैं, लेकिन, वास्तव में, वे यांत्रिक कार्यों में लगे हुए हैं, तैयार किए गए सॉफ़्टवेयर को ले रहे हैं और इन उपकरणों का उपयोग करके औषधीय अनुसंधान और विकास में कुछ अंतरालों को पाटने की कोशिश कर रहे हैं। हम ऐसा नहीं करते हैं। हम लक्ष्य के पहचानकर्ता से छोटे अणुओं की पीढ़ी तक, खरोंच से सब कुछ विकसित करते हैं।

माइकल क्रैगमैन: अब हमने संभावित उम्मीदवारों की पहचान करने के लिए आपके तरीकों का उपयोग करने के बारे में बात की है। अगले चरण का मूल्यांकन करना है। सबसे पहले, हमें संभावनाओं को उजागर करना चाहिए, और आप यह सब डेटा एकत्र करके और फिर विभिन्न तरीकों का उपयोग करके इसका विश्लेषण करते हैं। मान लीजिए आपने किया। शुरू में आपके द्वारा बताए गए उम्मीदवारों को आप कैसे आंकते हैं?

अलेक्जेंडर झावोरोंकोव: आमतौर पर, जब आपके पास किसी विशिष्ट बीमारी के लिए लक्ष्य प्रोटीन की एक सूची होती है और आप प्राथमिकता देने की कोशिश करते हैं, तो आप इन प्रोटीनों को उच्चतम संभव स्कोर के साथ एनोटेट करने का प्रयास करते हैं। आप देख रहे हैं कि क्या यह लक्ष्य प्रोटीन कभी विषाक्तता में शामिल है। यह सब कुछ कैसे संबंधित है? किस कपड़े में यह एक बड़ी भूमिका निभाता है? कैसे एक प्रोटीन अन्य प्रोटीन के साथ बातचीत करता है? क्या यह कोई इलाज है? क्या यह एक छोटी अणु दवा या एक एंटीबॉडी है? क्या किसी और ने इसका इस्तेमाल किया है? अणु के चारों ओर पेटेंट स्थान क्या है? क्या किसी ने एक विशेष बीमारी के लिए उसे छोटे अणु या एंटीबॉडी के साथ क्लिनिक में ले जाने की कोशिश की है?

कई, कई, कई, कई मूल्यांकन कार्य हैं जिन्हें आपको विचार करना चाहिए। अंत में, जब आपके पास मूल रूप से लक्ष्य का एक बहुत छोटा सेट होता है, तो आप यह निर्धारित करने के लिए विभिन्न जैविक प्रणालियों में उनका परीक्षण करते हैं कि कौन सी बीमारी आपके लिए अधिक उपयुक्त है।

मैं अभ्यास से एक उदाहरण दूंगा। उदाहरण के लिए, हम फाइब्रोसिस में बहुत रुचि रखते हैं। फाइब्रोसिस का वर्णन करने के लिए एक बहुत ही सरल प्रक्रिया नहीं है, और कई प्रकार के फाइब्रोसिस हैं। आईपीएफ , या फुफ्फुसीय फाइब्रोसिस है। फेफड़ों में, धूम्रपान-प्रेरित फाइब्रोसिस मनाया जाता है, इसके अलावा, सेनील फाइब्रोसिस मनाया जाता है। हमने 120 से अधिक प्रकार के फाइब्रोसिस की पहचान की है, जो किसी विशेष स्थिति से जुड़े रेशेदार ऊतक के साथ सामान्य ऊतक की तुलना करते हैं।

हमने हाल ही में एक केस स्टडी की, जिसमें हमने IPF को देखा, इस स्थिति के लिए लक्ष्यों की एक सूची की पहचान की, और हमारी सूची में 50 लक्ष्य थे। हमने देखा कि जब ये लक्ष्य बीमारी के लिए अधिक सक्रिय और अधिक प्रासंगिक हैं, तो बीमारी किस स्तर पर है, क्योंकि, मुझे लगता है, अगर आप इसे बाद में समझते हैं या बाद में इन मुद्दों को हल करते हैं, तो आप लक्षणों का इलाज करेंगे, कारण नहीं।

हमारे मामले में, हम उन लक्ष्यों की एक बड़ी सूची को परिभाषित कर रहे हैं जो रोग प्रगति के शुरुआती चरणों में बहुत प्रासंगिक होने की संभावना है। फिर हम देखते हैं कि कौन से लक्ष्य नए हैं, जिन लक्ष्यों पर लोगों ने ध्यान नहीं दिया। हम पुराने लक्ष्यों पर ध्यान केंद्रित नहीं करना चाहते हैं। फिर हम देखते हैं कि कौन से लक्ष्य ड्रग्स के लिए उपयुक्त हैं, जहां हम वास्तव में पुस्तकालय से एक छोटा अणु पा सकते हैं, या हम खरोंच से एक अणु बना सकते हैं। फिर हम देखते हैं कि फाइब्रोसिस assays के एक विशेष सेट में कौन से लक्ष्यों का परीक्षण किया जा सकता है।

माइकल क्रिस्गमैन: इस प्रक्रिया में आप उपयोग करने वाली कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों का प्रभाव कहाँ है?

अलेक्जेंडर झावोरोंकोव: आमतौर पर परिणाम के स्कोर की गणना करने के लिए। आप लक्ष्यों के लिए कई बिंदुओं को वितरित करते हैं। हमारे मामले में, लक्ष्य में 50 से अधिक अंक हैं। हम यह निर्धारित करते हैं कि क्या यह पहले एक निश्चित स्थिति में शामिल है या नहीं, क्या यह एक निश्चित तरीके से अन्य प्रोटीन के साथ बातचीत करता है, और क्या इससे विषाक्तता हो सकती है। जो भविष्यवक्ता मूल रूप से आपको ऐसा मूल्यांकन देते हैं और संभावना है कि यह लक्ष्य सबसे अधिक प्रासंगिक है, विभिन्न संगठनों द्वारा गहराई से अध्ययन और विकास किया गया है। हमने मशीन सीखने का उपयोग करके अपने भविष्यवक्ताओं का विकास किया।

अकादमी बनाम उद्योग

माइकल क्रिएगमैन: हमारे पास श्रेया अमीन से ट्विटर का एक और दिलचस्प सवाल है। वह लिखती है: "आपके द्वारा वर्णित अनुसंधान के प्रकार और प्रक्रियाएं शिक्षा और उद्योग के बीच कैसे भिन्न हैं?"

अलेक्जेंडर झावोरोंकोव: यह एक बहुत अच्छा सवाल है। उद्योग में, बड़ी फार्मास्यूटिकल्स में, लोग थोड़े कम उद्यमी हैं। वे वास्तव में समस्या को हल करने और क्रमिक परिवर्तन करने के लिए विभिन्न तरीकों को विकसित करने की कोशिश कर रहे हैं।एक वैज्ञानिक पत्रिका में प्रकाशन के उद्देश्य से उनके तरीके नहीं हैं।

अकादमिया में, लोग बहुत अधिक आविष्कारशील और उद्यमशील हैं। वे परिणाम प्रकाशित करने का प्रयास कर रहे हैं। यह वह जगह है जहाँ नवाचार पहली जगह से आता है।

इंसिलिको में, हम विज्ञान और उद्योग के बीच हैं, इसलिए हम महीने में दो वैज्ञानिक पत्र प्रकाशित करते हैं। यह कुछ शैक्षणिक समूहों के लिए अवधारणा को साबित करने और यह समझाने के लिए भी पर्याप्त है कि हम कहां जा रहे हैं।

शिक्षाविदों, मुझे लगता है कि इन दिनों बहुत अधिक उत्पादक हैं, हो सकता है कि यह नए तरीके विकसित कर रहा हो और नई दिशा दिखा रहा हो। हालांकि, वास्तव में अच्छे कंप्यूटर वैज्ञानिकों के बीच की खाई, जो नए तरीकों का विकास कर रही है जो कि दवा की खोज के लिए प्रासंगिक हो सकती है, जीव विज्ञान और रसायन विज्ञान से बहुत दूर है। वे उन लेखों का उत्पादन करते हैं जो मशीन सीखने के मामले में वास्तव में अच्छे हैं, लेकिन परिणाम वास्तविक अनुप्रयोगों से बहुत दूर हैं। बहुत बार, वे वास्तव में यह नहीं समझते हैं कि वे कहीं से फिर से सुसज्जित हैं या, अगर यह पूरी तरह से अप्रासंगिक परिणाम है, जो किसी व्यक्ति द्वारा जीव विज्ञान और रसायन विज्ञान में कोशिश करने के बाद ही उन्हें मिलता है या मिलता है।

बहुत बार, और वर्तमान में यह वास्तव में अधिक सामान्य है, बहुत से लोग पुरालेख में लेख पोस्ट करते हैंएक आकर्षक शीर्षक के साथ ताकि वे वायरल हो जाएं और उन्हें ब्राउज़र, Google या कुछ समाचार एजेंसियों द्वारा चुना जाए। उन्हें इस काम के लिए मान्यता और पीआर मिलता है, लेकिन फिर आप जो उन्होंने किया, उसे दोहराने की कोशिश करते हैं, या यहां तक ​​कि बस लेख को ध्यान से पढ़ते हैं, और आप समझते हैं कि वास्तविक दुनिया में यह काम नहीं करेगा। मुझे लगता है कि इस तरह के लेख और इस तरह के प्रयासों, शुरुआती परिणामों, विशेष रूप से शैक्षणिक समूहों की ओर से, बिना विशेषज्ञ मूल्यांकन के उत्तीर्ण होने के बावजूद, बड़ी फार्मेसी में बहुत संदेह का परिचय दिया। लोग बस यह नहीं सोचते हैं कि कई तरीके प्रासंगिक हैं, लागू होते हैं या अपने व्यवसाय को बदलते हैं।

कृत्रिम बुद्धि और जैव प्रौद्योगिकी के लिए एक टीम का निर्माण

माइकल क्रिएगमैन: टीम निर्माण के पहलू के बारे में बात करते हैं, क्योंकि जिन चीजों का आपने एक-दो बार उल्लेख किया है, उनमें से एक मशीन सीखने और जीव विज्ञान दोनों का महत्व है। ये बहुत विशिष्ट कौशल हैं, और आप ऐसी टीम कैसे बनाते हैं जो दोनों पक्षों को एक साथ काम करने और कुछ ऐसा बनाने की अनुमति देती है जो एक या दूसरे अकेले नहीं कर सकते?

अलेक्जेंडर झावोरोंकोव: यह एक और बहुत अच्छा सवाल है। हमारे मामले में, यह एक कारण है कि हम इतने धीरे-धीरे क्यों बढ़ रहे हैं। हम 5 साल से काम कर रहे हैं, लेकिन हम अभी भी 66 लोग हैं। इस धीमी, जैविक वृद्धि का एक कारण यह है कि वास्तव में एआई वैज्ञानिकों को जीवविज्ञानी और रसायनज्ञों के साथ संयोजन करने में समय लगता है। ऐसे लोगों को ढूंढना बहुत मुश्किल है जो एक ही समय में दोनों मामलों में अच्छे हैं। आमतौर पर आप गणित या रसायन विज्ञान में पारंगत होते हैं, या आपको वास्तव में अच्छा प्रोग्रामिंग कौशल होना चाहिए ताकि आप एपीआई बना सकें और अपनी तकनीक को किसी और के साथ जोड़ सकें।

हम विशिष्ट चिकित्सीय परियोजनाओं पर तीन या चार लोगों के समूह में काम करने की कोशिश करते हैं जिसमें एक व्यक्ति रसायन विज्ञान या जीव विज्ञान में अच्छी तरह से वाकिफ है, एक व्यक्ति कृत्रिम बुद्धि में अच्छा है, और दूसरा सिर्फ मूल आईटी में है। ये मुख्य रूप से तीन या चार लोगों की टीम हैं। उनके अलावा, एक बुनियादी ढांचा है, एक संगठनात्मक बुनियादी ढांचा है जो इन टीमों को प्रबंधित करने में मदद करता है। हमने आर्टिफिशियल इंटेलिजेंस टीम को भी सभी से अलग कर दिया ताकि वे आवेदन क्षेत्र में आए बिना तरीकों पर काम कर सकें।

इस प्रकार की प्रतिभाओं को प्राप्त करना बहुत मुश्किल है, जो वास्तव में तरीकों के विकास में योगदान करना चाहते हैं और नए एल्गोरिदम विकसित करना चाहते हैं। उन लोगों को प्राप्त करने के लिए जो पहले से ही विकसित विधियों को लागू करने में अच्छे हैं, काफी सरल है। एक साथ दो काम करना बहुत मुश्किल है। ऐसा करने के लिए, हम, फिर से, जैविक विकास को प्राप्त करने और छोटी टीमों में परियोजनाओं पर काम करने का प्रयास करते हैं।

इंसिलिको बिजनेस मॉडल

माइकल क्रिएगमैन: वास्तव में, हमारे पास आपके व्यवसाय मॉडल के बारे में एक ट्विटर प्रश्न है। क्रिस पीटरसन अद्भुत सवाल पूछते हैं। बहुत बहुत धन्यवाद, क्रिस। वह पूछता है: "क्या आपने एक विशिष्ट चिकित्सा की खोज करने के लिए समझौता किया है या क्या आप खरोंच से अणुओं का विकास कर रहे हैं और वितरण के माध्यम से नैदानिक ​​परीक्षणों के लिए उन्हें लाइसेंस देने की उम्मीद कर रहे हैं?"

अलेक्जेंडर झावोरोंकोव: हम पांच साल से काम कर रहे हैं, और हमने कई बिजनेस मॉडल का अध्ययन किया है। एक आर्टिफिशियल इंटेलिजेंस कंपनी के रूप में, आपको इस पर शोध करना चाहिए, क्योंकि अन्यथा यह बहुत ही मुश्किल है, एक बिजनेस मॉडल को मापना मुश्किल है, और यह बहुत जोखिम भरा भी है।

हमने एक सेवा कंपनी के रूप में शुरुआत की, और हमने फार्मास्युटिकल कंपनियों के साथ, जैव प्रौद्योगिकी कंपनियों के साथ, उद्यम निधि के साथ काम करना शुरू किया, जहाँ हमने सेवाएं प्रदान कीं या उनके लिए एक प्रणाली प्रदान की। हमने उन अनुप्रयोगों का अध्ययन किया, जिनकी लोग तलाश कर रहे हैं, और अपने स्वयं के छोटे अणुओं को विकसित करना शुरू कर दिया, उन्हें खोजा और फिर उन्हें लाइसेंस दिया।

हमारा वर्तमान व्यवसाय मॉडल वास्तव में बहुत सरल है और हमें पैमाना बनाने की अनुमति देता है। हम उद्यम पूंजी फर्मों के साथ काम करते हैं जो वास्तव में जैव प्रौद्योगिकी व्यवसाय को जानते हैं और दवा विकास में शामिल हैं। वे हमें निर्देशित करते हैं कि हमें लक्ष्यों की पहचान करने और छोटे अणु उत्पन्न करने की आवश्यकता है। फिर वे इन छोटे अणुओं और उनके लक्ष्यों के आसपास टीम बनाते हैं और उन्हें इन लक्ष्य अणुओं के संघों को थोड़ा और परीक्षण करने और विकसित करने की अनुमति देते हैं।

हमें जो मिलता है वह एक छोटा डाउन पेमेंट होता है और फिर हमें अंतरिम भुगतान मिलता है क्योंकि अणु विभिन्न सत्यापन चरणों से गुजरते हैं। तब हमें रॉयल्टी मिलती है। आमतौर पर, यदि आप एक बायोबॉक्स या भविष्य की आय पर विचार कर रहे हैं जो एक अणु से प्राप्त की जा सकती है, तो ये लेनदेन बहुत, बहुत महत्वपूर्ण हैं, लेकिन प्रारंभिक भुगतान काफी छोटा है।

यही कारण है कि हमारे पास एक और व्यवसाय है जो सॉफ्टवेयर लाइसेंसिंग से संबंधित है, जहां हम कुछ राजस्व उत्पन्न करने के लिए अपने सॉफ़्टवेयर उपकरणों के कुछ लाइसेंस दूसरों को देते हैं और सॉफ़्टवेयर कितनी अच्छी तरह काम करते हैं, इस पर स्थिरता, स्थिरता और प्रतिक्रिया सुनिश्चित करते हैं; अगर हमें और सुविधाएँ जोड़ने की आवश्यकता है।

एक अन्य व्यवसाय मॉडल - हमारे पास कई संयुक्त साइटें हैं। उदाहरण के लिए, Juvenessence नामक कंपनी के साथ एक संयुक्त उद्यम। वे अणुओं का विकास करते हैं जो हम उन्हें प्रदान करते हैं।

माइकल क्रिस्गमैन: ठीक है, आपके पास कई चीजें हैं, जिन पर आप काम कर रहे हैं और अपने बिजनेस मॉडल का समर्थन करने की कोशिश कर रहे हैं।

अलेक्जेंडर Zavoronkov: यह सही है। लेकिन जो ब्याज हमें सबसे ज्यादा मिलता है वह प्रत्यक्ष आय नहीं है। इनमें से अधिकांश लाइसेंस समझौतों में, हमें कुछ डेटा मिलते हैं। काफी हद तक, हम दुनिया के सबसे बड़े डेटा कारखानों में से एक बन गए हैं, जो प्रीक्लिनिकल प्रयोगों से डेटा प्राप्त कर रहे हैं।

माइकल क्रिएगमैन:यह दिलचस्प है। हमारे पास @TrovatoChristian से एक और ट्विटर प्रश्न है। वह एक बायोमेडिकल इंजीनियर और पीएच.डी., ऑक्सफोर्ड में कंप्यूटर विज्ञान विभाग में कम्प्यूटेशनल जीव विज्ञान में एक छात्र है। वैसे, यह मेरे लिए बहुत दिलचस्प है कि कम्प्यूटेशनल जीव विज्ञान कंप्यूटर विज्ञान के अनुभाग से संबंधित है, और जीव विज्ञान के अनुभाग से नहीं। उनका सवाल: "क्या केवल एआई द्वारा विकसित दवाओं के उदाहरण हैं?"

अलेक्जेंडर झावोरोंकोव:वर्तमान में ऐसा कोई उदाहरण नहीं है। हमेशा AI और दवा के बीच एक व्यक्ति होता है। मुझे उम्मीद है कि बहुत निकट भविष्य में हम यह दिखाने में सक्षम होंगे कि एक चैनल जिसमें छोटे अणुओं को उत्पन्न करने के लक्ष्य को पहचानने से एक भी व्यक्ति शामिल नहीं था, इन अणुओं में से कुछ को खोल सकता है। लेकिन फिलहाल, दवाओं की खोज और विकास के तरीकों में प्रयोग राजा है। इसलिए यदि आप प्रयोगात्मक रूप से अपने तरीकों का परीक्षण नहीं कर सकते हैं, तो वे आगे नहीं बढ़ेंगे। मैंने कभी भी एक अणु का उदाहरण नहीं देखा है जो एआई का उपयोग करके पूरी तरह से उत्पन्न होता है।

माइकल क्रिस्गमैन: एआई को शुरू से आखिर तक इस्तेमाल करने से क्या रोकता है?

अलेक्जेंडर झावोरोंकोव:खैर, फार्मेसी में विफलताओं के कारण, सामान्य तौर पर। सीखने के लिए बहुत कम, बहुत कम सफलता की कहानियाँ हैं। ये सफलता की कहानियाँ बहुत ही विविध हैं। कुछ क्षेत्रों में, यह जांचना आसान है कि क्या आपका एल्गोरिथ्म कोई सार्थक आउटपुट देता है। लेकिन कई मामलों में, आपको वास्तव में रास्ते के हर कदम पर सब कुछ जाने और जांचने की आवश्यकता है। इसीलिए जब आप इस सलामी को बनाते हैं जो आपको शुरू से अंत तक जाने की अनुमति देता है, तो आपको यह सुनिश्चित करना होगा कि आप सलामी के हर टुकड़े की जाँच करें और इसे अंदर की जाँच करें, और बाहरी भागीदारों के साथ भी इसकी जाँच करें। यही हम करने की कोशिश कर रहे हैं।

माइकल क्रैगमैन: यह संभव है कि एआई ड्रग्स को विकसित करने के लिए पहले से ही तरीके हैं, लेकिन इस स्तर पर ऐसा लगता है कि इस तरह के तरीकों का उपयोग करना बहुत जल्दी है।

अलेक्जेंडर झावोरोंकोव:इस स्तर पर, किसी ने भी पूरी तरह से एआई का उपयोग करके दवाओं की खोज को वर्चुअलाइज करने और मानव हस्तक्षेप के बिना करने की कोशिश नहीं की। कई क्षेत्रों में, यह वस्तुतः केवल असंभव है क्योंकि जीव विज्ञान और चिकित्सा इतने विविध हैं कि यह बहुत मुश्किल है, एक समाधान खोजना बहुत मुश्किल है जो हर किसी के लिए उपयुक्त हो। प्रत्येक चरण में वैधता की आवश्यकता होती है, और फिलहाल, कन्वेयर के माध्यम से ये केवल कुछ चिकित्सीय स्थितियों में काम करेंगे।

माइकल क्रिएगमैन:मुझे आपसे ट्विटर से एक और सवाल पूछना है। यह फिर से श्रेया अमीन से एक बड़ा सवाल है, दिलचस्प है। वह लिखती है: "कृत्रिम बुद्धिमत्ता के मौजूदा तरीकों का उपयोग करते हुए, जो दवाओं, बीमारियों, स्थितियों, आदि के प्रकारों के मामले में सफलताओं के सबसे करीब हैं या उन्होंने सबसे बड़ी प्रगति हासिल की है, और इस प्रक्रिया में सबसे मुश्किल क्या है?"

अलेक्जेंडर झावोरोंकोव: मैं आपको एक उदाहरण दूंगा जिसके साथ मैं बहुत परिचित हूं, बहुत अच्छी तरह से परिचित हूं। हमारे पास कई JAK अवरोधक हैं जो पूरी तरह से GAN और सुदृढीकरण सीखने का उपयोग करके विकसित किए गए हैं। मुझे लगता है कि यह आणविक डिजाइन डे नोवो के लिए सबसे आशाजनक तरीकों में से एक है।

हम वर्तमान में चूहों में परीक्षण के चरण में हैं, एंजाइम विश्लेषण से चूहों तक सभी तरह से चले गए हैं और दिखाया है कि अब हम इन अणुओं के साथ चयनात्मकता, विशिष्टता प्राप्त कर सकते हैं और इन अणुओं में कई अन्य गुण हैं। ये हमारे समय में काफी सामान्य तरीके हैं, दोनों GAN जिसका हमने उपयोग किया और प्रबलित शिक्षण तकनीक। यह कुछ नया नहीं है, इसलिए हमने वास्तव में अपने अनुसंधान और विकास को थोड़ा अलग दिशा में बदल दिया।

माइकल क्रिएगमैन: यह सब अगले में कैसे विकसित होगा, मुझे नहीं पता, तीन, चार साल, दो या चार साल? चलो एक दर्जन साल के लिए बाहर मत जाओ। अगले कुछ वर्षों में, यह सब कैसे दिखेगा?

अलेक्जेंडर झावोरोंकोव:मुझे लगता है कि बड़ी दवा कंपनियों के साथ सहयोग करने के बजाय हमारी जैसी कंपनियां अपने आंतरिक अनुसंधान और विकास पर अधिक ध्यान देंगी, क्योंकि बड़ी दवा कंपनियों के साथ काम करना आमतौर पर कहीं नहीं होता है, क्योंकि यह या तो प्रारंभिक चरण में कंपनी की मृत्यु है, या वे बस अपना अनुभव लेते हैं और पकड़ लेते हैं। लेकिन साथ ही, वे इतने नौकरशाही हैं कि उन्हें बदलना बहुत मुश्किल है, और साथ ही, सीईओ के स्तर पर, बड़ी दवा कंपनियां बिक्री बढ़ाने या अन्य कंपनियों को खरीदने के लिए बिक्री बढ़ाने के लिए अधिक केंद्रित हैं। आंतरिक अनुसंधान और विकास को वास्तव में एक बड़ी प्राथमिकता नहीं माना जाता है, और कोई फर्क नहीं पड़ता कि वे क्या सोचते हैं, यह एक तथ्य है। आम तौर पर आय विवरण में 15-20% होना चाहिए,क्योंकि अन्यथा निवेशक कंपनी में निवेश करने वाले नहीं हैं। लेकिन इन आंतरिक अनुसंधान और विकास का प्रदर्शन आमतौर पर बहुत कम है।

मुझे लगता है कि एअर इंडिया और ड्रग डिस्कवरी वर्चुअलाइजेशन का इस्तेमाल करने वाली छोटी बायोटेक कंपनियां बहुत सफल होंगी। ऐसे कुछ मामले हैं जिनकी मैं उद्योग में प्रशंसा करता हूं, जैसे निंबस थेरेप्यूटिक्स । वे दवाओं की खोज और विकास की पूरी प्रक्रिया का वर्चुअलाइजेशन करने में सक्षम थे, बाजार में दूसरे चरण की कुछ परिसंपत्तियों को लाए और उन्हें लाइसेंस दिया।

मुझे लगता है कि जो लोग वास्तव में प्रक्रिया को समझते हैं और इसे वर्चुअलाइज कर सकते हैं वे विजेता होंगे। अब तक, मैं कई कंपनियों को जानता हूं जो ऐसा करती हैं, इसलिए कुछ कंपनियां हमारे साथ काम करती हैं। कुछ स्टील्थ मोड में हैं। मुझे लगता है कि वे भविष्य में विजेता होंगे।

जब आप दो से तीन वर्षों में दवाओं की खोज के बारे में बात करते हैं, तो यह वास्तव में बहुत कम समय होता है। मानव विकास के कई अन्य क्षेत्रों में, यदि आप मुझसे पांच साल पहले की योजना बनाने के लिए कहते हैं, तो मैं नहीं कर सकता, क्योंकि सब कुछ बहुत जल्दी बदल जाता है। फार्मेसी में ऐसा नहीं है। हमें वास्तव में प्रयोग करने और इसे सही करने की आवश्यकता है।

दीर्घायु और धूम्रपान अनुसंधान

माइकल क्रिस्गमैन: आप दीर्घायु या धूम्रपान पर किए गए अंतिम अध्ययन के बारे में संक्षेप में बताएं? मुझे पता है कि हमारे पास समय नहीं है, लेकिन यह जानना बहुत अच्छा होगा।

अलेक्जेंडर झावोरोंकोव: बिल्कुल। हमने सिर्फ एक बहुत ही मजेदार लेख प्रकाशित किया है जिसमें दिखाया गया है कि धूम्रपान उम्र बढ़ने को तेज करता है। एक क्षेत्र जिस पर हम ध्यान केंद्रित करते हैं, वह है कई प्रकार के डेटा, जैसे कि चित्र, रक्त परीक्षण, प्रतिलेख डेटा, प्रोटिओमिक डेटा, माइक्रोबायोम डेटा का उपयोग करके उम्र की भविष्यवाणी। हम इन आंकड़ों का उपयोग किसी व्यक्ति की उम्र का सही-सही अनुमान लगाने के लिए करते हैं, और फिर हम इस बात पर ध्यान देंगे कि व्यवहार में किस तरह के हस्तक्षेप या बदलाव होते हैं, क्या जीवन शैली किसी व्यक्ति को छोटी या बड़ी दिखती है।

हमने यह प्रोजेक्ट कनाडा में किया है। हमने केवल गुमनाम रक्त परीक्षणों का अध्ययन करके धूम्रपान करने वालों और गैर-धूम्रपान करने वालों के एक बड़े डेटासेट को संसाधित करने के लिए यूनिवर्सिटी ऑफ लेथब्रिज और अल्बर्टा सरकार के साथ काम किया। सबसे पहले, हमने धूम्रपान की स्थिति का एक भविष्यवक्ता बनाया, इसलिए अब मैं पर्याप्त विश्वास के साथ कह सकता हूं कि क्या आप रक्त परीक्षण करके धूम्रपान करते हैं या नहीं, लेकिन हमने यह भी दिखाया कि जो लोग धूम्रपान करते हैं वे गहरे धूम्रपान नेटवर्क के उपयोग के आधार पर धूम्रपान न करने वाले लोगों की तुलना में बड़े दिखते हैं रक्त विश्लेषण में प्रशिक्षित।

हमने लेख प्रकाशित करने के बाद, यह काफी वायरल हो गया, और हमें बहुत सकारात्मक समीक्षा मिली। उदाहरण के लिए, मेरी बेटी केवल धूम्रपान छोड़ने के बारे में सोचती है क्योंकि वह बूढ़ी नहीं दिखना चाहती। लोग वास्तव में अपने स्वास्थ्य की परवाह नहीं करते हैं, लेकिन वे वास्तव में इस बात की परवाह करते हैं कि वे कैसे दिखते हैं। यदि आप बूढ़े नहीं दिखना चाहते हैं, तो बस धूम्रपान छोड़ दें।

माइकल क्रिएगमैन: अच्छा। महान टिप। अलेक्जेंडर, हमारे साथ बात करने के लिए समय निकालने के लिए बहुत-बहुत धन्यवाद। आपका दिन शुभ हो अपना ख्याल रखना। बाय बाय।

मूल