- नया antibiotic IBD (सूजन संबंधी आंत्र रोग) के इलाज को लक्ष्य बनाकर विकसित किया गया है
- AI तकनीक ने antibiotic के काम करने के तरीके की भविष्यवाणी कर योगदान दिया
- मौजूदा उपचारों की तुलना में नए mechanism का उपयोग कर resistance को पार करने की संभावना दिखाई गई
- प्रयोगात्मक सफलता के आधार पर आगे clinical application को लेकर उम्मीद बनी है
- drug design और validation process में AI के उपयोग का महत्व बढ़ता जा रहा है
अवलोकन
- हाल ही में नए antibiotic पर सूजन संबंधी आंत्र रोग (IBD) के उपचार के लिए शोध किया गया, जिससे इसने ध्यान आकर्षित किया
- इस antibiotic के action mechanism की artificial intelligence (AI) द्वारा भविष्यवाणी किए जाने से पारंपरिक drug development process में बदलाव की संभावना दिखी
- मौजूदा उपचारों में मौजूद resistance और सीमाओं को ध्यान में रखते हुए, नए mechanism के जरिए उन्हें पार करने की संभावना पेश की गई
- शोधकर्ताओं ने animal testing सहित शुरुआती चरणों में महत्वपूर्ण प्रभाव की पुष्टि की, और आगे clinical application को लक्ष्य बनाया है
- AI-based drug development अपनी mechanism prediction, efficiency और cost reduction जैसी खूबियों के कारण pharma industry में तेजी से महत्वपूर्ण होता जा रहा है
1 टिप्पणियां
Hacker News राय
यहाँ Nature Microbiology में मूल शोध है लिंक। दिलचस्प हिस्सा साझा करना चाहता हूँ। यूनिवर्सिटी प्रेस रिलीज़ के अनुसार, अब तक AI का उपयोग उपचार क्षमता वाले molecules की भविष्यवाणी करने के टूल के रूप में किया गया था, लेकिन इस अध्ययन में AI का इस्तेमाल ‘mechanism of action (MOA)’ यानी दवा बीमारी पर कैसे हमला करती है, यह पता लगाने के लिए किया गया। MOA अध्ययन drug development के लिए आवश्यक है। इससे वैज्ञानिकों को safety की पुष्टि करने, dose को optimize करने, efficacy को बेहतर बनाने, और कभी-कभी नए therapeutic targets खोजने में मदद मिलती है। नियामक संस्थाएँ भी इसी अध्ययन के आधार पर तय कर सकती हैं कि नई दवा मानव उपयोग के लिए उपयुक्त है या नहीं। पहले MOA अध्ययन में आम तौर पर 2 साल और लगभग 20 लाख डॉलर लगते थे, लेकिन इस बार AI की मदद से इसे 6 महीने और 60 हजार डॉलर में पूरा किया गया। नया antibiotic खोजने के बाद, Stokes ने MIT CSAIL के साथियों के साथ मिलकर देखा कि क्या नवीनतम machine learning platform MOA अध्ययन को तेज़ कर सकता है। सिर्फ 100 सेकंड में prediction आ गया, और यह पुष्टि हुई कि नई दवा LolCDE नामक सूक्ष्म protein complex को निशाना बनाती है, जो bacteria के जीवित रहने के लिए आवश्यक है। MIT की प्रोफेसर Regina Barzilay (DiffDock की developer) ने कहा, “हमने इस मामले में दिखाया है कि AI सिर्फ molecule खोजने से आगे बढ़कर, development process के पूरे दौर में ज़रूरी mechanism की व्याख्या भी दे सकता है।”
लैब में नया antibiotic खोजने के बाद Stokes का MIT CSAIL के साथियों के साथ सहयोग करना वाकई बहुत शानदार लगता है। यूनिवर्सिटी में होने पर कैंपस के भीतर अलग-अलग विशेषज्ञों से आसानी से मिला जा सकता है, और किसी दिलचस्प समस्या को cutting-edge fields की ताकत से हल कर पाना एक बेहतरीन माहौल देता है।
सोच रहा हूँ कि क्या DiffDock एक large language model (LLM) है। आम लोग AI शब्द सुनते ही सीधे ChatGPT जैसे LLM के बारे में सोचते हैं, और OpenAI भी कहता है कि वह ‘सोचने वाली मशीन’ बना रहा है, ऊपर से article headline में “predict किया” जैसा शब्द है, तो और भी भ्रम होता है।
क्या इसका कोई pre-print उपलब्ध है? मैं अब यूनिवर्सिटी से जुड़ा नहीं हूँ, इसलिए पहले की तरह किसी के रातों-रात paper अपलोड कर देने वाली दुनिया की कमी महसूस होती है।
कुछ अजीब लगता है। यह तो 2016 से पहले से पता था कि LolCDE, E. coli की एक vulnerability है, और इसे inhibit करने वाली चीज़ें जैसे globomycin भी 1978 से जानी जाती थीं संदर्भ लिंक1 संदर्भ लिंक2. तो सवाल है कि enterololin बस globomycin का नया variant भर है या नहीं। समझ नहीं आता AI ज़्यादा smart हो रहा है या वैज्ञानिक धीरे-धीरे सुस्त।
MOA अध्ययन में पहले 2 साल और 20 लाख डॉलर लगते थे, लेकिन इस बार AI से 6 महीने और 60 हजार डॉलर में काम हो गया — यह सच में बहुत सुंदर है। अब यह सिर्फ code autocomplete या image generation नहीं, बल्कि AI/machine learning की असली वैल्यू में से एक जैसा लगता है। अगले 10 साल में यह क्षेत्र कैसे evolve करेगा, यह देखने को लेकर सच में उत्साहित हूँ। Protein folding के AlphaFold और इस mechanism prediction के ज़रिए cost reduction और clinical trials की गति बढ़ने को लगातार देखना चाहूँगा।
यह article ऐसे framing को मजबूत करता दिखता है कि ‘AI शोधकर्ताओं की नौकरी ले लेगा’, लेकिन असल में यह मुझे बहुत वैसा ही लगता है जैसा मैं अपने काम में AI tools इस्तेमाल करते समय महसूस करता हूँ। Stokes ने ज़ोर देकर कहा कि prediction दिलचस्प है, लेकिन आखिरकार वह prediction ही है, और (परंपरागत) experimental MOA study करना ज़रूरी है। AI का ‘सही हो सकना’ हमें अगले कदम पर सोचने का समय बचा देता है। इसलिए MIT की prediction के आधार पर experiments शुरू किए गए, और कुछ महीनों बाद AI की prediction सही निकली। अंततः standard MOA experiments के ज़रिए prediction की पुष्टि हुई, और इस तरह सामान्य प्रक्रिया की तुलना में 1.5 साल बच गए।
मुझे लगता है कि AI शब्द आजकल समझना मुश्किल हो गया है। आम लोग AI = ChatGPT मान लेते हैं, इसलिए वे कल्पना करते हैं कि “ChatGPT ने नई दवा खोज ली।” लेकिन वास्तविक शोध में transformers (LLM) के अलावा भी कई तरह के ML tools इस्तेमाल होते हैं, और उनमें से ज़्यादातर का LLM या ChatGPT से कोई संबंध नहीं होता।
मैं भी सहमत हूँ। पता नहीं तुम खुद LLM इस्तेमाल करते हो या अपने क्षेत्र के हिसाब से ML/deep learning tools इस्तेमाल करते हो। पिछले एक साल में LLM की ज़्यादातर success stories मुझे इस बात से जुड़ी लगती हैं कि ऐसे tools “front line” पर मौजूद experts के लिए कहीं ज़्यादा मददगार होते हैं — यानी वे लोग जो पहले ही अपने क्षेत्र के cutting-edge papers पढ़ चुके हैं। “Hallucination” की शिकायतें भी शायद उन non-experts के अनुभव से आती हैं जो न तो असली workflow की अग्रिम पंक्ति में हैं, न ही जिनके पास भरोसा करने के लिए कोई दूसरा स्रोत या अतिरिक्त जानकारी खोजने की क्षमता है। मुझे तो LLM का सबसे बड़ा फायदा यह लगता है कि वह मेरे interest area और ऐसे पड़ोसी क्षेत्रों के बीच connections सुझा देता है जिनके बारे में मुझे पहले कुछ पता नहीं था, और hypotheses या clues देता है। आखिरकार experiment या validation तो शोधकर्ता को खुद ही करना होता है, और कभी-कभी जब मुझे अपने निष्कर्ष पर पूरा भरोसा नहीं होता, तो मैं अपना data LLM में डालकर देखता हूँ कि क्या वह भी उसी निष्कर्ष तक पहुँचता है। मुझे hallucination की चिंता बिल्कुल नहीं होती। गलती की ज़िम्मेदारी आखिरकार मेरी ही है। और ज्ञान की अग्रिम सीमा पर, अजीब सलाह भी कभी-कभी ताज़ा ideas तक ले जा सकती है। आजकल जानकारी कहाँ ढूँढनी है, इस पर कई दिनों, हफ्तों या महीनों तक अटक जाने की समस्या लगभग खत्म हो गई है। पहले Palantir की मानव/कंप्यूटर सहयोग पर chess tournament वाली पोस्ट में कहा गया था कि ‘workflow’ सबसे महत्वपूर्ण है, और अंत में amateur + best workflow जीता था। अब लगता है कि नए tools experts को और ज़्यादा सक्षम बनाने वाले समाज की ओर हम बढ़ चुके हैं लिंक.
इस अध्ययन में AI और शोधकर्ताओं ने जो खोजा, वह IBD (inflammatory bowel disease) का इलाज नहीं है। बल्कि IBD मरीजों या broad-spectrum antibiotics लेने वाले लोगों में अक्सर आंत के भीतर enterobacter species (जिनमें कुछ E. coli भी शामिल हैं) की ज़रूरत से ज़्यादा वृद्धि हो जाती है। ये अक्सर मौजूदा antibiotics के प्रति resistant होते हैं और gut health के लिए अच्छे नहीं होते। शोधकर्ताओं ने ऐसा नया पदार्थ खोजा जो सिर्फ इन enterobacter को selectively दबाता है, जबकि बाकी microbiome को जस का तस छोड़ देता है। इससे gut bacteria imbalance से जूझ रहे लोगों, खासकर IBD मरीजों, को अधिक स्वस्थ gut environment वापस पाने में मदद मिल सकती है। हालांकि यह अभी mouse experiment stage में है।
IBD मरीजों में अगर microbiome का संतुलन पूरी तरह बहाल कर दिया जाए, तो disease cycle टूट सकता है और remission आ सकती है — ऐसी hypothesis लंबे समय से मौजूद है, हालांकि अभी तक औपचारिक रूप से सिद्ध नहीं हुई है।
article के अनुसार, “यह नई दवा लाखों IBD मरीजों के लिए एक बेहद promising treatment हो सकती है। फिलहाल इसका कोई cure नहीं है, इसलिए यह symptoms को अर्थपूर्ण ढंग से कम करके quality of life बेहतर कर सकती है।”
क्या यह अच्छी तरह स्थापित तथ्य है कि IBD, E. coli की वजह से होता है? या मामला यह है कि शरीर E. coli के प्रति असामान्य रूप से संवेदनशील हो जाता है? यह स्पष्ट नहीं है।
अभी यह निश्चित नहीं है। लगता है कि genetic factors और microbes दोनों मिलकर काम करते हैं। स्थिति काफी जटिल है। सिर्फ inflamed skin की cultured tissue या biopsy देखकर “अहा, यही कारण है” नहीं कहा जा सकता। सबसे प्रभावी treatments भी आखिरकार immune system के कुछ हिस्सों को block करने की strategy हैं, और हक़ीक़त यह है कि कुछ मरीजों में अलग-अलग immunosuppressants आज़माए जाते हैं, फिर उनका combination बनाकर किसी तरह manage किया जाता है।
हम सभी में E. coli मौजूद होता है, इसलिए यह सीधा कारण नहीं है। article थोड़ा भ्रम पैदा करता है, लेकिन यहाँ खोजी गई चीज़ का spectrum पुरानी दवाओं की तुलना में अधिक narrow है, इसलिए यह शरीर की natural bacterial layer को कम नुकसान पहुँचाती है। दूसरी ओर, resistant enterobacter — जिनमें E. coli प्रमुख species है, लेकिन सिर्फ वही नहीं — अधिक आसानी से overgrow कर सकते हैं। IBD और E. coli-समृद्ध microbiome के बीच correlation है। इससे जुड़े E. coli subtypes भी पाए गए हैं संदर्भ लिंक.
ठीक-ठीक यह नहीं कि E. coli IBD का कारण बनता है, लेकिन E. coli और अन्य Enterobacteriaceae वास्तव में inflammation का फायदा उठाकर बढ़ सकते हैं। Inflammation nitrate रिलीज़ कराता है, और Enterobacteriaceae इसे terminal electron acceptor की तरह इस्तेमाल करके बढ़ते हैं। साथ ही, जब protective mucus layer पतली हो जाती है या उसमें छेद हो जाते हैं — जो अक्सर microbiome बिगड़ने से होता है — तब ये अधिक आसानी से घुसकर बढ़ सकते हैं। यह bacterial growth उल्टा inflammation को और बढ़ा सकती है, जिससे remission मुश्किल हो जाती है। हाल के समय में E. coli द्वारा mucosa से चिपकने में इस्तेमाल होने वाले factors को block करके inflammation कम करने के कुछ clinical results भी आए हैं।
समझ नहीं आता कि शोधकर्ताओं को सीधे GPU credits क्यों नहीं दिए जाते। झंझट वाले legal process की बजाय, उनके email address से runpod/prime-intelect या किसी x-gpu provider पर account बनाकर 5,000 डॉलर जमा कर दो। वास्तव में कौन इसके लायक है, यह Github और Huggingface history देखकर काफी हद तक छाँटा जा सकता है।
“AI model हमेशा सही हो, ऐसा मान नहीं सकते” — इस बात पर, मुझे समझ नहीं आता कि हमें ऐसा मानकर चलना ही क्यों चाहिए। हाँ, “सही हो सकने” की संभावना ने शायद अगले चरण में trial and error घटाया। लेकिन क्या यह सिर्फ confirmation bias नहीं हो सकता? उदाहरण के लिए, 100 cases में AI से पूछा जाए “यह कैसे काम करता है?”, और 99 बार वह बकवास या भरोसेमंद लगने वाला लेकिन गलत solution दे, जबकि 1 बार सही हो, और हम article में सिर्फ वही 1 सफल उदाहरण देखें। सिर्फ इसलिए कि वह लैब में सही निकला, क्या यह मान लें कि AI ने समय बचाया? टूटी हुई घड़ी भी दिन में दो बार सही समय दिखाती है। जैसे हम यह नहीं कहते कि “घड़ी टूटी है, लेकिन जब सही होती है तो कमाल करती है!”, वैसे ही कहीं हम “productive AI” नहीं बल्कि सिर्फ lucky cases ही तो नहीं देख रहे? अगर सच में कहना है कि यह क्षेत्र आगे बढ़ा है, तो failure cases भी data के रूप में सार्वजनिक करने या स्वीकार करने चाहिए। वरना यह सिर्फ hype बढ़ाने जैसा है।
वास्तव में शोधकर्ता अब भी वैज्ञानिक पद्धति ही इस्तेमाल कर रहे हैं। AI जो देता है, वह test करने लायक hypotheses हैं। इसलिए ‘विश्वसनीय hypothesis brainstorming’ के लिए AI बेहद ताकतवर है।
cutting-edge research में human experts भी अक्सर गलत होते हैं। ज़्यादातर hypotheses और experiments fail हो जाते हैं। लेकिन जब कोई researcher breakthrough लाता है, तो हम उसकी तारीफ़ इसलिए नहीं करते कि वह 100% सफल हुआ, बल्कि इसलिए कि वह दूसरों की तुलना में तेज़ और random chance से बेहतर दर पर सही निकला। अगर AI की वजह से 100 मामलों में 1/99 सफलता 2/99 या 3/99 हो जाए, तो efficiency दो या तीन गुना हो जाती है। और अगर AI 100 सेकंड में इन सभी intuitions को test कर सकता है, तो प्रगति इंसानों की तुलना में बहुत तेज़ हो सकती है।
मेरी समझ के मुताबिक, यह अध्ययन IBD की दवा नहीं, बल्कि IBD मरीजों के लिए अधिक सुरक्षित antibiotic के बारे में है।
McMaster University नाम मज़ाक जैसा लग सकता है, लेकिन यह वास्तव में 1887 में स्थापित यूनिवर्सिटी है [wiki देखें]।
यह कनाडा की शीर्ष यूनिवर्सिटियों में से एक है। मेरी राय में medical research के मामले में तो यह कनाडा में सबसे अच्छी है संदर्भ लिंक.
लंदन में Goodenough College नाम की जगह भी 1930 से चल रही है, और नाम के संकेत के उलट, वह वास्तव में काफ़ी अच्छी तरह संचालित होती है।
machine learning का वैज्ञानिक शोध में इस्तेमाल 10 साल से भी ज़्यादा समय से हो रहा है। तो इस बार नया क्या है? आम मीडिया तो वैसे भी शब्दों का ढीला इस्तेमाल करता है, लेकिन समझ नहीं आता कि NATURE ‘artificial intelligence’ शब्द क्यों इस्तेमाल कर रहा है।