AI ड्रग डिस्कवरी की असली कमी मॉडल नहीं, मानव ऊतक का डेटा है—Vivodyne का दावा

Vivodyne का मूल तर्क सीधा है: AI आधारित दवा खोज के सामने सबसे बड़ी रुकावट शायद मॉडल का आकार नहीं, बल्कि मानव शरीर से जुड़े पर्याप्त और उपयोगी प्रयोगात्मक डेटा की कमी है। AI सिस्टम नए लक्ष्य, अणु और प्रयोगों के विचार तेजी से तैयार कर सकते हैं, लेकिन अगर उनका प्रशिक्षण मुख्यतः पशु-अध्ययनों, अलग-अलग कोशिकाओं, प्रोटीन या केवल सहसंबंधों पर आधारित हो, तो वे यह भरोसेमंद ढंग से नहीं बता पाते कि जटिल मानव ऊतक किसी दवा और उसकी खुराक पर कैसे प्रतिक्रिया देगा। Vivodyne के CEO आंद्रेई जॉर्जेस्कु का कहना है कि मौजूदा AI-डिजाइन की गई दवाएं अभी मानव-विशेषज्ञों द्वारा डिजाइन की गई दवाओं से उल्लेखनीय रूप से बेहतर नहीं हैं, क्योंकि मॉडल के पास सीखने के लिए पर्याप्त प्रयोगशाला डेटा नहीं है। 25

कंपनी इसका समाधान HIVE के रूप में पेश कर रही है—एक मॉड्यूलर, स्वचालित प्रयोगशाला प्लेटफॉर्म, जो बड़े पैमाने पर मानव ऊतक उगाने, उन्हें दवा देने, उनकी निगरानी करने और प्रतिक्रियाओं का विश्लेषण करने के लिए बनाया गया है।

सिर्फ सहसंबंध नहीं, हस्तक्षेप और प्रतिक्रिया

किसी AI मॉडल को यह पता चल सकता है कि किसी जैविक संकेतक और बीमारी के परिणाम के बीच संबंध है। लेकिन इससे यह जरूरी नहीं साबित होता कि किसी दवा से उस सिस्टम में बदलाव करने पर क्या होगा—किस ऊतक में, किस संदर्भ में और किस खुराक पर।

इसीलिए Vivodyne अपने काम में perturbation, यानी नियंत्रित हस्तक्षेप, पर जोर देती है। इसका मतलब है किसी जैविक स्थिति को जानबूझकर बदलना और फिर ऊतक की प्रतिक्रिया को मापना। कंपनी के अनुसार, इस तरह का प्रयोग यह बताने में मदद कर सकता है कि अगर उपचार X को खुराक Y पर दिया जाए, तो ऊतक Z में कौन-सा मापने योग्य बदलाव आता है। Vivodyne इसे मानव ऊतकों पर नियंत्रित प्रयोगों से मिलने वाला कोशिकीय-कारणात्मक डेटा कहती है। 2

यह अंतर इसलिए महत्वपूर्ण है क्योंकि अधूरे या मानव जीवविज्ञान से कम मेल खाने वाले डेटा पर प्रशिक्षित मॉडल बहुत आत्मविश्वास के साथ ऐसे अनुमान लगा सकते हैं, जो मरीजों में काम न करें। Vivodyne बड़े AI मॉडल को बेकार नहीं मानती; उसका तर्क यह है कि अगर मॉडल का आकार बढ़ाया जाए, लेकिन प्रयोगात्मक डेटा की गुणवत्ता और मानव-प्रासंगिकता न बढ़े, तो सुधार सीमित रह सकता है। 1725

HIVE प्लेटफॉर्म कैसे काम करता है?

HIVE में रोबोटिक्स, माइक्रोफ्लूडिक्स, टिशू इंजीनियरिंग, स्वचालित दवा-प्रशासन और जैविक रीडआउट को एक साथ जोड़ा गया है। Vivodyne का कहना है कि इसका सिस्टम 20 प्रकार के मानव ऊतक उगा सकता है, फिर उन पर दवाएं या अन्य जैविक हस्तक्षेप लागू करके समय के साथ होने वाले बदलाव दर्ज कर सकता है। 117

प्लेटफॉर्म का एक अहम हिस्सा TissueDisks है। कंपनी के अनुसार, इनमें एक साथ सैकड़ों स्वतंत्र मानव ऊतक उगाए और अलग-अलग खुराक दी जा सकती है। हर ऊतक मॉडल में लगभग 2 लाख से 5 लाख कोशिकाएं होती हैं। कुछ मॉडलों में ऊतक-विशेष, त्रि-आयामी और रक्त-प्रवाह से जुड़े संवहनी नेटवर्क भी शामिल किए जा सकते हैं, ताकि दवा के पहुंचने की प्रक्रिया अधिक वास्तविक लगे। 24

व्यावहारिक रूप से प्रयोग की प्रक्रिया कुछ इस तरह है:

1. मानकीकृत मानव-ऊतक मॉडल तैयार करना।
2. उन पर दवा, अलग-अलग खुराक, आनुवंशिक बदलाव या कई हस्तक्षेप लागू करना।
3. आणविक, कोशिकीय और कार्यात्मक प्रतिक्रियाएं मापना।
4. परिणामों को विश्लेषण और अगले प्रयोगों की योजना में शामिल करना।

इससे प्रयोगशाला अलग-अलग परीक्षणों का समूह भर नहीं रहती, बल्कि डेटा तैयार करने वाली एक सतत प्रणाली बन जाती है। परिणाम केवल यह नहीं बताते कि ऊतक जीवित रहा या नहीं। वे यह भी दिखा सकते हैं कि ऊतक में क्या बदलाव आया, वह कब आया, किन कोशिकाओं पर असर पड़ा और अलग-अलग खुराक या उपचार संयोजनों से परिणाम कैसे बदला।

पशु मॉडल और अलग-अलग कोशिका परीक्षणों की सीमा

पूरे शरीर पर दवाओं के प्रभाव को समझने के लिए पशु मॉडल अब भी उपयोगी हैं। लेकिन किसी पशु में काम करने वाली जैविक प्रक्रिया इंसान में उसी तरह काम करे, यह जरूरी नहीं। प्रजातियों के बीच अंतर दवा के चयापचय, विषाक्तता, प्रतिरक्षा प्रतिक्रिया, बीमारी की प्रक्रिया और कई ऊतकों के आपसी संबंधों को प्रभावित कर सकता है।

इसी तरह, एकल कोशिकाओं या प्रोटीन पर किए गए परीक्षण महत्वपूर्ण सूक्ष्म जानकारी देते हैं, लेकिन उनमें बहुकोशिकीय ऊतक की संरचना और शरीर जैसी परिस्थितियों का बड़ा हिस्सा गायब होता है। यही असंगति यह समझाने में मदद करती है कि प्रयोगशाला और पशु परीक्षणों में आशाजनक दिखने वाली दवा उम्मीदवार मानव विकास के दौरान विफल क्यों हो सकती है। Vivodyne का प्रस्ताव है कि मानव ऊतक से मिलने वाले सबूत दवा-विकास प्रक्रिया में पहले शामिल किए जाएं, ताकि सुरक्षा और प्रभावशीलता की कुछ समस्याएं महंगे मरीज-आधारित परीक्षणों से पहले पकड़ी जा सकें। 113

हालांकि, प्रयोगशाला में उगाया गया ऊतक पूरा मानव शरीर नहीं होता। ऐसे मॉडल पूरे शरीर में दवा के अवशोषण, वितरण और चयापचय, अंगों के बीच संकेतों, लंबे समय की प्रतिरक्षा प्रतिक्रियाओं, मरीजों के बीच विविधता या बीमारी की हर विशेषता को पूरी तरह दोहरा नहीं सकते। इसलिए इन्हें सरल प्रयोगशाला परीक्षणों और क्लिनिकल रिसर्च के बीच संभावित पुल के रूप में देखना अधिक उचित है—क्लिनिकल ट्रायल के विकल्प के रूप में नहीं।

Vivodyne ने अब तक क्या सबूत दिए हैं?

कंपनी ने 20 कीमोथेरेपी दवाओं को कई ऊतक मॉडलों पर परखने के परिणाम बताए हैं। Vivodyne के अनुसार, उसके लिवर मॉडल ने मानव दवा-विषाक्तता का 94% सटीकता से अनुमान लगाया, वायुमार्ग मॉडल ने मानव ऊतक के व्यवहार से 96% समानता दिखाई और बोन मैरो मॉडल ने उस परीक्षण सेट में 100% समानता हासिल की। 17

ये आंकड़े दिलचस्प हैं, लेकिन इन्हें सावधानी से समझना जरूरी है। उपलब्ध सामग्री में ये कंपनी द्वारा बताए गए प्रदर्शन दावे हैं। इससे यह साबित नहीं होता कि अलग-अलग दवा वर्गों पर बड़े पैमाने में स्वतंत्र, दोहराए गए और समीक्षित सत्यापन हो चुके हैं। यह भी अभी स्पष्ट नहीं है कि सामान्य प्री-क्लिनिकल कार्यक्रमों की तुलना में HIVE के अनुमान भविष्य में दवा मंजूरी की दर को बेहतर बनाते हैं या नहीं।

Vivodyne ने 12 HIVE प्रयोगशालाओं वाली एक सुविधा और हर साल जीवित मानव ऊतकों पर 31 लाख नियंत्रित प्रयोग करने की क्षमता की भी घोषणा की है। यह प्लेटफॉर्म की घोषित क्षमता का आंकड़ा है; अपने-आप में यह प्रमाण नहीं कि हर प्रयोग का परिणाम मरीजों में उपचार की सफलता का सटीक अनुमान लगाएगा। 37

फंडिंग से मिला समर्थन

कंपनी ने 2023 में कुल 3.8 करोड़ डॉलर की सीड फंडिंग की घोषणा की थी। इस दौर का नेतृत्व Khosla Ventures ने किया और Kairos Ventures, CS Ventures, MBX Capital तथा Bison Ventures ने भी भाग लिया। बाद में Vivodyne ने रोबोटिक्स और AI आधारित मानव-ऊतक परीक्षण ढांचे के विस्तार के लिए 4 करोड़ डॉलर की एक अन्य फंडिंग की जानकारी दी। 97

यह पूंजी उस रणनीति को समर्थन देती है जिसमें प्रयोगात्मक जीवविज्ञान को AI के लिए बुनियादी ढांचे की तरह देखा जाता है: पहले बड़े पैमाने पर मानकीकृत डेटा तैयार करना, फिर उसका उपयोग उपचार संबंधी अनुमानों को बेहतर बनाने और अगले प्रयोगों को प्राथमिकता देने में करना।

क्लिनिकल ट्रायल में क्या बदल सकता है?

अगर स्वतंत्र और संभावित अध्ययनों में HIVE की भविष्यवाणी क्षमता साबित होती है, तो यह दवा विकास को कम-से-कम तीन तरीकों से प्रभावित कर सकती है।

असफल उम्मीदवारों की पहले पहचान

कम प्रभावी या अत्यधिक विषैले उम्मीदवारों को मरीजों पर परीक्षण से पहले ही आगे बढ़ने से रोका जा सकता है। इससे क्लिनिकल विफलताएं खत्म नहीं होंगी, लेकिन कमजोर आधार वाले उम्मीदवारों के ट्रायल में जाने की संख्या घट सकती है।

बेहतर उम्मीदवार और खुराक चयन

अलग-अलग खुराक और ऊतक संदर्भों को साथ में परखने से शोधकर्ता यह तय करने में बेहतर स्थिति में हो सकते हैं कि कौन-से उम्मीदवार आगे बढ़ने लायक हैं और किन खुराक सीमाओं का क्लिनिकल परीक्षण किया जाना चाहिए। Vivodyne अपने मानव-डेटा प्लेटफॉर्म को दवा खोज, ADME/टॉक्स यानी अवशोषण, वितरण, चयापचय और विषाक्तता के अध्ययन तथा ट्रायल डिजाइन—तीनों में उपयोगी बताती है। 13

अधिक उपयोगी AI मॉडल

बार-बार किए गए हस्तक्षेप और प्रतिक्रिया वाले प्रयोग AI सिस्टम को ऐसा प्रशिक्षण डेटा दे सकते हैं, जो किसी उपचार और ऊतक-स्तरीय जैविक परिणाम के बीच संबंध को बेहतर ढंग से जोड़ता हो। लंबे समय में Vivodyne मानव जीवविज्ञान का एक व्यापक कम्प्यूटेशनल मॉडल, जिसे वह “world model” कहती है, बनाने की उम्मीद रखती है। 8

लेकिन यह लक्ष्य डेटा की गुणवत्ता, दोहराने योग्य परिणाम, ऊतक मॉडलों की विविधता और बाहरी सत्यापन पर निर्भर करेगा। अधिक प्रयोग अपने-आप बेहतर नहीं होते—खासकर तब, जब ऊतक मॉडल प्रासंगिक मरीज समूहों का प्रतिनिधित्व न करते हों या उनके माप मानव परिणामों का अनुमान न लगा पाते हों।

संयोजन उपचारों के लिए यह क्यों महत्वपूर्ण हो सकता है?

संयोजन उपचारों में एक से अधिक चर की जांच करनी पड़ती है—दवाओं की जोड़ी, खुराक, उपचार का क्रम, समय और ऊतक का संदर्भ। मानव-ऊतक प्लेटफॉर्म इन संयोजनों को अधिक व्यवस्थित तरीके से परखने में मदद कर सकता है। इससे संभावित synergistic प्रभावों, यानी साथ मिलकर अपेक्षा से बेहतर असर, की तलाश की जा सकती है और मरीजों को दवा देने से पहले विषाक्तता की जांच की जा सकती है।

यह उन बीमारियों में खास तौर पर उपयोगी हो सकता है जहां एक दवा जटिल जैविक मार्ग के केवल एक हिस्से पर असर डालती है। फिर भी सीमा वही रहेगी: ऊतक प्रयोग मॉडल की गई जैविकी के भीतर होने वाली परस्पर क्रियाएं दिखा सकते हैं, जबकि क्लिनिकल परिणाम दवा के अवशोषण, वितरण, चयापचय, प्रतिरक्षा प्रभाव, अंगों के बीच संबंध और मरीजों की विविधता पर भी निर्भर करते हैं।

निष्कर्ष

Vivodyne का दांव है कि AI ड्रग डिस्कवरी की अगली बड़ी छलांग केवल बड़े एल्गोरिदम से नहीं, बल्कि बेहतर प्रयोगात्मक आधार से आएगी। HIVE इस आधार को तैयार करने के लिए 20 प्रकार के प्रयोगशाला में उगाए गए मानव ऊतकों पर नियंत्रित और बड़े पैमाने के प्रयोग चलाने तथा उनके परिणामों को संरचित जैविक डेटा में बदलने के लिए बनाया गया है। 117

यह दृष्टिकोण दवा विकास की एक वास्तविक कमजोरी को संबोधित करता है: सरल प्रणालियों पर प्रशिक्षित या परखे गए मॉडल हमेशा यह भरोसेमंद रूप से नहीं बता पाते कि इंसान में क्या होगा। Vivodyne के शुरुआती प्रदर्शन आंकड़े और घोषित संचालन क्षमता उल्लेखनीय हैं, लेकिन फिलहाल ये कंपनी द्वारा रिपोर्ट किए गए दावे हैं। निर्णायक परीक्षा तब होगी जब स्वतंत्र सत्यापन यह दिखाएगा कि HIVE के अनुमान बेहतर दवा उम्मीदवार चुनने, क्लिनिकल विफलताओं को घटाने और प्रशिक्षण में इस्तेमाल हुए ऊतकों व दवाओं से आगे भी काम करने वाले AI मॉडल बनाने में मदद करते हैं।