වසර ගණනාවක් තිස්සේ කෘතිම බුද්ධිය (AI) පිළිබඳ කතාබහ සීමා වී තිබුණේ Go සහ StarCraft වැනි පරිගණක ක්‍රීඩාවල මිනිසුන් පරාජය කරන ඇල්ගොරිතමවලට පමණි. නමුත් AI ඉතිහාසයේ සැබෑ හැරවුම් ලක්ෂ්‍යය සනිටුහන් වූයේ ඩිජිටල් ක්‍රීඩා පිටියක නොව, ජීව විද්‍යාවේ මූලික ජීවන රටාවන් හඳුනා ගැනීමට සහ විශ්ලේෂණය කිරීමට ස්නායුක ජාල (neural networks) සමත් වූ දිනයේදීය.

2021 වසරේදී Alphabet සමාගමට අයත් Google DeepMind වෙතින් වෙන්වී ආරම්භ වූ Isomorphic Labs සමාගම බිහිවූයේ එක් සුවිශේෂී, අතිශය දැවැන්ත අරමුණක් සහිතවය: එනම් කෘතිම බුද්ධියට මුල්තැන දෙන ප්‍රවේශයක් (AI-first approach) ඔස්සේ, ඖෂධ සොයාගැනීමේ සමස්ත ක්‍රියාවලියම මූලික සිද්ධාන්තවල සිට නැවත ගොඩනැගීමයි. සෛද්ධාන්තික AI භාවිතයෙන් ඔබ්බට ගොස්, සැබෑ ලෝකයේ ජීව විද්‍යාත්මක යෙදවුම් වෙත අවධානය යොමු කරමින්, නූතන විද්‍යාවේ ඇති අතිශය සංකීර්ණ සහ අවදානම් සහගත ගැටලුවක් විසඳීමට මෙම සමාගම මේ වන විට උත්සාහ කරමින් සිටී.

AI තාක්ෂණය හුදු තාක්ෂණික පර්යේෂණවලින් මිදී, සැබෑ වෛද්‍ය විද්‍යාවේ ප්‍රායෝගික භාවිතයට එළඹෙන්නේ කෙසේද යන්න මෙන්න:

1. ඖෂධ නිෂ්පාදනයේ “SpaceX ප්‍රවේශය”

සාම්ප්‍රදායික ඖෂධ නිෂ්පාදන ක්‍ෂේත්‍රය විශාල වශයෙන් රඳා පවතින්නේ අත්හදා බැලීම් සහ වැරදීම් (trial-and-error) මත පදනම් වූ සාම්ප්‍රදායික ක්‍රමවේදයන් මතය. ඓතිහාසිකව, නව ඖෂධයක් සොයා ගැනීම යනු පරීක්ෂණ නලයකට හෝ සෛල සංස්කෘතියකට (cell culture) රසායනික අණු මිලියන ගණනක් දමා, ඉන් ප්‍රතිචාර දක්වන්නේ කුමක්දැයි ප්‍රායෝගිකව බැලීමයි. මෙමගින් නිපදවිය හැකි ඖෂධවල සංකීර්ණත්වය සීමා වන අතර, අවසානයේදී සායනික අත්හදා බැලීම් (clinical trials) දක්වා යන ඖෂධවලින් 90%ක්ම අසාර්ථක වීමේ දැවැන්ත අවදානමකට මුහුණ දෙයි.

Elon Musk ගේ SpaceX සමාගම අභ්‍යවකාශ ඉංජිනේරු විද්‍යාව නැවත ඇගයීමට ලක් කළ ආකාරයටම, Isomorphic Labs සමාගමද “මූලික සිද්ධාන්ත” (first principles) ප්‍රවේශයක් භාවිත කරමින් මෙම දුෂ්කර ක්‍රියාවලිය මඟහැරීමට AI යොදා ගනී. භෞතිකව අත්හදා බැලීම් සහ වැරදීම් මත පමණක් රඳා පවතිනවා වෙනුවට, සෛලීය මට්ටමින් රෝග ක්‍රියාත්මක වන ආකාරය පිළිබඳව AI මගින් පැහැදිලි යාන්ත්‍රික අවබෝධයක් ලබා දෙයි. මේ නිසා විද්‍යාඥයින්ට ඖෂධයක් භෞතික රසායනාගාරයකට ගෙන යාමට බොහෝ කලකට පෙර, අතිශය නිවැරදිව අණු සැලසුම් (design) කිරීමට හැකි වේ.

2. තර්කන ආකෘති (Reasoning Models) සහ අනුකරණ ආකෘති (Simulation Models)

AI ඖෂධ සොයාගැනීමේ මෙම පෙරළිය රඳා පවතින්නේ එකිනෙකට සමාන්තරව ක්‍රියාත්මක වන තාක්ෂණික ක්‍රමවේදයන් දෙකක් මතය:

  • තර්කන ආකෘති (Reasoning Models): මේවා සුවිශේෂී තර්කන එන්ජින් වන අතර, නව විද්‍යාත්මක උපකල්පන (hypotheses) ගොඩනැගීම සඳහා විශාල ජීව විද්‍යාත්මක දත්ත ප්‍රමාණයක් ඒකාබද්ධ කරයි. එමගින් විද්‍යාඥයින්ට නිවැරදි ප්‍රශ්න ඇසීමට සහ නව අදහස් ජනනය කිරීමට මඟ පෙන්වයි.
  • අනුකරණ ආකෘති (Simulation / World Models): ‘AlphaFold’ වැනි ආකෘති භෞතික ලෝකයේ ඩිජිටල් අනුකරණයක් ලෙස ක්‍රියා කරයි. සැබෑ රසායනාගාරයක (wet lab) අණුවක් සංස්ලේෂණය කිරීමට සහ සෛල වර්ධනය කිරීමට මාස ගණනාවක් ගත කරනවා වෙනුවට, විද්‍යාඥයින්ට පරිගණකයක් තුළ අතිශය වේගයෙන් අතථ්‍ය (virtual) අත්හදා බැලීම් සිදු කළ හැකිය.

ඩිජිටල් ලෙස අනුකරණය කරන ලද ඖෂධයක් සැබෑ ලෝකයේ සායනික පරීක්ෂණ සඳහා යොමු කරන විට, එය සාර්ථක වීමේ සම්භාවිතාව ඉතා ඉහළ අගයක් ගනී.

3. ද්විත්ව එන්ජින් ව්‍යාපාරික ආකෘතිය

Isomorphic Labs හි AI ඖෂධ සැලසුම් එන්ජිම නිශ්චිත රෝගයකට පමණක් සීමා නොවී, කුඩා පෙති වර්ගවල සිට එන්නත් කළ හැකි ප්‍රතිදේහ (antibodies) සහ පෙප්ටයිඩ (peptides) දක්වා ඕනෑම දෙයක් සැලසුම් කිරීමට සමත් වේ. මෙම හැකියාව උපරිමයෙන් ප්‍රයෝජනයට ගැනීමට සමාගම ද්විත්ව වාණිජ උපාය මාර්ගයක් අනුගමනය කරයි:

  1. උපායමාර්ගික ඖෂධ හවුල්කාරිත්වයන්: ඉතා සංකීර්ණ සහ සුවිශේෂී රෝග සඳහා, ඔවුන් Eli Lilly, Novartis, සහ Johnson & Johnson වැනි ලොව දැවැන්ත ඖෂධ සමාගම් සමඟ අත්වැල් බැඳගනී. එම සමාගම් වසර ගණනාවක ජීව විද්‍යාත්මක අත්දැකීම් සහ දත්ත ලබා දෙන අතර, Isomorphic හි AI එන්ජිම එම අදහස් සැබෑ ඖෂධ බවට පත් කරයි.
  2. අභ්‍යන්තර ව්‍යාපෘති (Internal Pipelines): රෝගීන්ට දැඩි ලෙස ඖෂධ අවශ්‍ය වන නමුත් තවමත් නිසි විසඳුම් නොමැති ක්ෂේත්‍ර, විශේෂයෙන්ම පිළිකා (oncology), ප්‍රතිශක්තිකරණ විද්‍යාව (immunology) සහ ප්‍රදාහයන් (inflammation) සඳහා Isomorphic සමාගම තමන්ගේම පූර්ණ අරමුදල් යොදවමින් ස්වාධීන ඖෂධ නිපදවයි. ඒවා ආරම්භක සැලසුම්කරණයේ සිට සායනික පරීක්ෂණ දක්වාම ඔවුන් විසින්ම මෙහෙයවනු ලබයි.

4. ජීව විද්‍යාවේ බාධකය: වෛද්‍ය විද්‍යාව යනු ගණිතය නොවේ

මෑත කාලයේදී ගණිතයේ සහ භෞතික විද්‍යාවේ ඇති අතිශය දුෂ්කර ගැටලු විසඳීමට AI සමත් විය. කෙසේ වෙතත්, එම වේගයම ජීව විද්‍යාවට ආදේශ කිරීමේදී සුවිශේෂී බාධකයකට මුහුණ දීමට සිදු වේ: එනම් තහවුරු කිරීමේ (verifiability) ඇති අපහසුතාවයි.

ගණිතයේදී, AI විසින් ඉදිරිපත් කරන විසඳුමක් නිවැරදිද නැද්ද යන්න පරිගණකයකින් ක්ෂණිකව තහවුරු කළ හැකිය. නමුත් ජීව විද්‍යාවේදී, සෛලයක් ක්‍රියා කරන ආකාරය ගැන AI ඉදිරිපත් කරන උපකල්පනයක් ඇල්ගොරිතමයකින් පමණක් ක්ෂණිකව ඔප්පු කළ නොහැක. රෝගියාගේ ආරක්ෂාව තහවුරු කිරීම සඳහා එය භෞතික රසායනාගාරයක නිපදවිය යුතුය, සෛල සහ සතුන් මත අත්හදා බැලිය යුතුය, ඉන්පසු ඉතා ප්‍රවේශමෙන් මිනිස් සායනික පරීක්ෂණ ඔස්සේ ඉදිරියට ගෙන යා යුතුය.

අනාගතයේදී බිහිවන සෑම ඖෂධයක්ම පාහේ AI ආධාරයෙන් සැලසුම් කෙරෙනු ඇති බව නිසැක වුවත්, එහි ප්‍රායෝගික ක්‍රියාත්මක වීම මෘදුකාංග (software) දියුණු වනවාට වඩා සෙමින් සහ වඩාත් සැලකිලිමත්ව සිදුවන ක්‍රියාවලියක් වනු ඇත. ජීවිතයේ රහස් කේතය (code of life) අතිශය සංකීර්ණ වුවද, ඉතිහාසයේ පළමු වතාවට එය කියවීමට, තේරුම් ගැනීමට සහ නැවත ලිවීමට අවශ්‍ය පරිගණකමය මෙවලම් දැන් අප සතුව පවතී.


Leave a Reply

Your email address will not be published. Required fields are marked *