एआई मॉडल नई दवाओं की खोज के लिए संघर्ष क्यों करते हैं?

नवंबर 2020 में, जब दुनिया COVID-19 महामारी से जूझ रही थी, एक अलग तरह की सफलता ने वैश्विक ध्यान खींचा। Google DeepMind ने घोषणा की कि उसके अल्फाफोल्ड मॉडल ने प्रोटीन-फोल्डिंग समस्या को हल कर दिया है, जो जीव विज्ञान की सबसे जिद्दी पहेली में से एक है। इस घोषणा को चंद्रमा पर उतरने के वैज्ञानिक समकक्ष के रूप में सराहा गया। न्यूज़ रूम ने इसे एक क्रांति कहा जो नई दवाओं को पहले से कहीं अधिक तेज़ी से बाज़ार में ला सकती है।

लेकिन आधे दशक बाद भी नए इलाज की बाढ़ नहीं आई है। कृत्रिम बुद्धिमत्ता (एआई) में अरबों डॉलर के निवेश के बावजूद, दवा की खोज एक धीमी और महंगी प्रक्रिया बनी हुई है। यह विरोधाभास उस बात के मूल में है जिसे विश्लेषकों जैक स्कैनेल, एलेक्स ब्लैंकली, हेलेन बोल्डन और ब्रायन वॉरिंगटन ने ईरूम का नियम कहा है। 2012 का पेपर.

मात्रा-गुणवत्ता बेमेल

कब गॉर्डन मूर ने 1965 में भविष्यवाणी की थी कंप्यूटिंग शक्ति हर दो साल में दोगुनी हो जाएगी जबकि लागत आधी हो जाएगी, उन्होंने इलेक्ट्रॉनिक्स में प्रगति की आश्चर्यजनक गति को पकड़ लिया – एक नियम जिसे मूर का नियम कहा जाने लगा। लेकिन चिकित्सा विज्ञान में इसका उलटा हुआ है. ईरूम का नियम (‘मूर’ पीछे की ओर लिखा गया है) मानता है कि प्रति अरब डॉलर खर्च किए जाने पर खोजी जाने वाली नई दवाओं की संख्या दशकों से लगातार गिर रही है।

आज, बेहद बेहतर कंप्यूटर, लैब और एल्गोरिदम की उपलब्धता के बावजूद, किसी दवा को बाजार में लाने की लागत 1970 के दशक की तुलना में कई गुना अधिक है। संक्षेप में, चिप्स तो आगे निकल गए हैं लेकिन गोलियाँ धीमी हो गई हैं।

दवा की खोज में, प्रत्येक नया उपचार एक परिकल्पना, एक शिक्षित विचार या अनुमान से शुरू होता है कि एक अणु रोग को कैसे प्रभावित कर सकता है। दशकों से, वास्तविक बाधा कभी भी परिकल्पनाओं की मात्रा नहीं बल्कि गुणवत्ता रही है। एआई के आगमन से पहले भी, शोधकर्ताओं ने लाखों प्रशंसनीय विचार उत्पन्न किए, जिनमें से अधिकांश कहीं नहीं गए। आज के एआई सिस्टम के साथ, यह संख्या अरबों तक बढ़ गई है, फिर भी परिकल्पनाओं की गुणवत्ता में सुधार नहीं हुआ है। एल्गोरिदम परिकल्पनाओं की मात्रा तेजी से बढ़ा सकते हैं लेकिन अंतर्ज्ञान या कल्पना से जोड़कर गुणवत्ता नहीं बढ़ा सकते। मात्रा से गुणवत्ता की ओर छलांग एक विशिष्ट मानवीय विशेषाधिकार बनी हुई है।

रचनात्मकता और अराजकता

अल्फाफोल्ड जैसी गहन शिक्षण तकनीकों का उपयोग करने वाला एआई उन पैटर्न पर पनपता है जहां डेटा के भीतर स्पष्ट, अच्छी तरह से परिभाषित रिश्ते छिपे होते हैं। प्रोटीन-फोल्डिंग समस्या इसके लिए बिल्कुल उपयुक्त थी। 2015 तक, वैज्ञानिकों ने एक्स-रे क्रिस्टलोग्राफी, प्रतिदीप्ति स्पेक्ट्रोस्कोपी और प्रोटीन परमाणु चुंबकीय अनुनाद स्पेक्ट्रोस्कोपी का उपयोग करके पांच दशकों के मानव प्रयास के माध्यम से 1.5 लाख से अधिक प्रोटीन संरचनाओं का मानचित्रण कर लिया था।

एक ज्ञात प्रश्न था, एक विशाल डेटासेट था, और एक विचार था कि सही उत्तर कैसा होना चाहिए – सभी मनुष्यों द्वारा संकल्पित – कैसा दिखना चाहिए।

इस प्रकार अल्फ़ाफोल्ड की सफलता एक प्रतिभाशाली छात्र के समान थी, जिसने एनईईटी या यूपीएससी जैसी राष्ट्रीय प्रवेश परीक्षा में टॉप किया था। प्रश्न कठिन थे लेकिन पूर्वानुमानित थे; पाठ्यक्रम विशाल था लेकिन प्रसिद्ध था; और वर्षों के मानव जमीनी कार्य ने कोचिंग सामग्री का निर्माण किया था। पर्याप्त कम्प्यूटेशनल अभ्यास के साथ, छात्र शीर्ष रैंक हासिल कर सकता है।

हालाँकि, दवा की खोज एक परीक्षा नहीं है; यह अन्वेषण का कार्य है। यह एक क्रिकेट प्रतिभा स्काउट की तरह है जो गांव के धूल भरे मैदान में अपनी आईपीएल टीम के लिए भविष्य के विराट कोहली को ढूंढने की कोशिश कर रहा है या एक राजनीतिक विश्लेषक यह भविष्यवाणी करने की कोशिश कर रहा है कि भारत का अगला प्रधान मंत्री कौन बन सकता है। इसका कोई निश्चित पैटर्न नहीं है, कोई निर्धारित पाठ्यक्रम नहीं है, और कोई विश्वसनीय कोचिंग मैनुअल नहीं है। दूसरी ओर, जिस जंगल में नशीली दवाओं की खोज संचालित होती है, वहां यादृच्छिकता हावी है।

दुर्घटनाएँ बनाम अल्फाफोल्ड

पेनिसिलिन की खोज इसलिए हुई क्योंकि अलेक्जेंडर फ्लेमिंग पेट्री डिश को ढकना भूल गए थे। इंसुलिन की खोज फ्रेडरिक बैंटिंग और चार्ल्स बेस्ट द्वारा कुत्तों पर किए गए गंदे प्रयोगों की एक श्रृंखला के माध्यम से की गई थी, जो केवल अग्न्याशय के अर्क को अलग करने की कोशिश कर रहे थे। पेरासिटामोल की उत्पत्ति 19वीं सदी की एक प्रयोगशाला नोटबुक में गलत पहचान से हुई थी और मधुमेह में इसकी भूमिका को समझने से पहले इन्फ्लूएंजा के इलाज के लिए मेटफॉर्मिन का अध्ययन किया गया था।

आज की दुनिया कहीं अधिक नैतिक और सावधान है, यह सही भी है। मरीजों तक पहुंचने से पहले प्रत्येक अणु को कड़े प्रीक्लिनिकल परीक्षणों और बहु-चरण नैदानिक ​​​​परीक्षणों से गुजरना आवश्यक है। इस सावधानी ने आवश्यक होते हुए भी खोज की यात्रा को धीमा कर दिया है। पहले वैज्ञानिक सापेक्ष स्वतंत्रता के साथ जंगली विचारों का परीक्षण कर सकते थे; आज के शोधकर्ता कागजी कार्रवाई और जोखिम मूल्यांकन के पहाड़ों को पार कर जाते हैं। इसलिए जब एआई एक आशाजनक अणु का प्रस्ताव करता है, तब भी प्रिस्क्रिप्शन बोतल तक का रास्ता एक लंबा और कठिन मैराथन बना रहता है।

अल्फ़ाफ़ोल्ड एक कम्प्यूटेशनल चुनौती को हल करने में सफल हो सकता है क्योंकि यह एक सीमित समस्या को हल कर रहा था: एक जहां नियम मौजूद थे और मानव वैज्ञानिकों ने पहले से ही क्षेत्र का मानचित्रण कर लिया था। निश्चित रूप से, एआई चिकित्सा के विभिन्न पहलुओं को नया आकार देना जारी रखेगा, जिसमें स्क्रीनिंग, क्लिनिकल परीक्षण डिज़ाइन और दवा का पुनरुत्पादन शामिल है। लेकिन यह उम्मीद करना कि वह अकेले ही नए इलाज बनाएगा या विकसित करेगा, मूर्खता है। एआई उन प्रश्नों द्वारा निर्देशित होने पर उत्कृष्टता प्राप्त करता है जिन्हें मनुष्य पहले से ही पूछना और सत्यापित करना जानता है, इस प्रकार यह सुनिश्चित करता है कि उसके उत्तर सटीक और विश्वसनीय हैं। अधिक व्यापक रूप से, एआई तेज गति से ज्ञान का पुनरुत्पादन कर सकता है लेकिन इसकी कल्पना या निर्माण नहीं कर सकता है। इसलिए जबकि यह स्क्रीनिंग, क्लिनिकल परीक्षण डिजाइन और दवा के पुनरुत्पादन सहित चिकित्सा के विभिन्न पहलुओं को नया आकार देना जारी रखेगा, लेकिन अकेले दम पर नए इलाज बनाने या विकसित करने की उम्मीद करना मूर्खतापूर्ण होगा।

जैसा कि इतिहास से पता चलता है, इंसुलिन से लेकर पेरासिटामोल तक, चिकित्सा के क्षेत्र में हर बड़ी छलांग, डेटा से परे भटकने के इच्छुक मानव मन के साथ शुरू हुई।

(नोट: यहां वर्णित एआई की क्षमताएं नवंबर 2025 तक हैं।)

डॉ. सी. अरविंदा एक अकादमिक और सार्वजनिक स्वास्थ्य चिकित्सक हैं। व्यक्त किये गये विचार व्यक्तिगत हैं।

प्रकाशित – 12 नवंबर, 2025 04:36 अपराह्न IST