आर्टिफिशियल इंटेलिजेंस ने केवल 30 दिनों में कैंसर के आक्रामक रूप के लिए एक उपचार विकसित किया है और यह प्रदर्शित किया है कि यह डॉक्टरों के नोट्स का उपयोग करके रोगी की जीवित रहने की दर का अनुमान लगा सकता है।
सफलताओं को अलग-अलग प्रणालियों द्वारा प्रदर्शित किया गया था, लेकिन यह दर्शाता है कि कैसे शक्तिशाली तकनीक का उपयोग छवियों और पाठ की पीढ़ी से बहुत आगे तक जाता है।
टोरंटो विश्वविद्यालय के शोधकर्ताओं ने फार्मा नामक एआई ड्रग डिस्कवरी प्लेटफॉर्म का उपयोग करके हेपैटोसेलुलर कार्सिनोमा (एचसीसी) के लिए संभावित उपचार विकसित करने के लिए इंसिलिको मेडिसिन के साथ काम किया।
एचसीसी यकृत कैंसर का एक रूप है, लेकिन एआई ने पहले अज्ञात उपचार मार्ग की खोज की और एक ‘उपन्यास हिट अणु’ तैयार किया जो उस लक्ष्य को बांध सकता था।
प्रणाली, जो जीवित रहने की दर का भी अनुमान लगा सकती है, ब्रिटिश कोलंबिया विश्वविद्यालय और बीसी कैंसर के वैज्ञानिकों का आविष्कार है, जिन्होंने पाया कि मॉडल 80 प्रतिशत सटीक है।
एआई ने लक्ष्य चयन से केवल 30 दिनों में और केवल सात यौगिकों को संश्लेषित करने के बाद कैंसर उपचार (स्टॉक) विकसित किया
घातक बीमारियों के खिलाफ एआई नया हथियार बन रहा है, क्योंकि तकनीक बड़ी मात्रा में डेटा का विश्लेषण करने, पैटर्न और संबंधों को उजागर करने और उपचार के प्रभावों की भविष्यवाणी करने में सक्षम है।
इंसिलिको मेडिसिन के संस्थापक और सीईओ एलेक्स झावोरोंकोव ने एक बयान में कहा: ‘जबकि दुनिया कला और भाषा में जनरेटिव एआई में प्रगति से रोमांचित थी, हमारे जनरेटिव एआई एल्गोरिदम अल्फाफोल्ड-व्युत्पन्न संरचना के साथ एक लक्ष्य के शक्तिशाली अवरोधकों को डिजाइन करने में कामयाब रहे।’
टीम ने हेपैटोसेलुलर कार्सिनोमा (एचसीसी) के इलाज के लिए एक संभावित दवा को डिजाइन और संश्लेषित करने के लिए अल्फाफोल्ड, एक कृत्रिम बुद्धिमत्ता (एआई)-संचालित प्रोटीन संरचना डेटाबेस का उपयोग किया, जो प्राथमिक यकृत कैंसर का सबसे आम प्रकार है।
उपलब्धि लक्ष्य चयन से केवल 30 दिनों में और केवल सात यौगिकों को संश्लेषित करने के बाद पूरा किया गया था।
एआई-पावर्ड कंपाउंड जेनरेशन के दूसरे दौर में, शोधकर्ताओं ने एक अधिक शक्तिशाली हिट अणु की खोज की – हालांकि किसी भी संभावित दवा को अभी भी नैदानिक परीक्षणों से गुजरना होगा।
इंसिलिको मेडिसिन के मुख्य वैज्ञानिक अधिकारी और सह-सीईओ फेंग रेन ने कहा: ‘अल्फाफोल्ड ने मानव शरीर में सभी प्रोटीनों की संरचना की भविष्यवाणी करने में नया वैज्ञानिक आधार बनाया है।
‘इंसिलिको मेडिसिन में, हमने देखा कि इन संरचनाओं को लेने और उच्च आवश्यकता वाले रोगों से निपटने के लिए उपन्यास चिकित्सीय उत्पन्न करने के लिए उन्हें हमारे एंड-टू-एंड एआई प्लेटफॉर्म पर लागू करने के लिए एक अविश्वसनीय अवसर के रूप में देखा। यह पेपर उस दिशा में एक महत्वपूर्ण पहला कदम है।’
एक अन्य एआई प्रणाली ने प्रत्येक रोगी के लिए अद्वितीय विशेषताओं की पहचान की, 80 प्रतिशत से अधिक सटीकता के साथ छह महीने, 36 महीने और 60 महीने के जीवित रहने की भविष्यवाणी की
जीवन प्रत्याशा की भविष्यवाणी करने के लिए इस्तेमाल की जाने वाली प्रणाली प्राकृतिक भाषा प्रसंस्करण (एनएलपी) का इस्तेमाल करती है – एआई की एक शाखा जो जटिल मानव भाषा को समझती है – रोगी की प्रारंभिक परामर्श यात्रा के बाद ऑन्कोलॉजिस्ट नोट्स का विश्लेषण करने के लिए।
मॉडल ने 80 प्रतिशत से अधिक सटीकता के साथ छह महीने, 36 महीने और 60 महीने के जीवित रहने की भविष्यवाणी करते हुए, प्रत्येक रोगी के लिए अद्वितीय विशेषताओं की पहचान की।
यूबीसी मूड डिसऑर्डर सेंटर और बीसी कैंसर के एक मनोचिकित्सक और क्लिनिकल रिसर्च फेलो जॉन-जोस नुनेज़ ने एक बयान में कहा: ‘एआई अनिवार्य रूप से परामर्श दस्तावेज़ को पढ़ता है जैसे एक मानव इसे पढ़ेगा।
‘इन दस्तावेजों में रोगी की उम्र, कैंसर का प्रकार, अंतर्निहित स्वास्थ्य स्थितियां, पिछले पदार्थ के उपयोग और पारिवारिक इतिहास जैसे कई विवरण हैं।
‘एआई रोगी परिणामों की पूरी तस्वीर पेंट करने के लिए इन सभी को जोड़ती है।’
परंपरागत रूप से, कैंसर से बचने की दरों की गणना पूर्वव्यापी रूप से की जाती है और केवल कुछ सामान्य कारकों, जैसे कि कैंसर साइट और ऊतक प्रकार द्वारा वर्गीकृत की जाती है।
हालांकि, मॉडल अधिक सूक्ष्म मूल्यांकन प्रदान करने के लिए रोगी के प्रारंभिक परामर्श दस्तावेज़ के भीतर अद्वितीय सुराग लेने में सक्षम है।
ब्रिटिश कोलंबिया में स्थित सभी छह बीसी कैंसर साइटों के 47,625 रोगियों के डेटा का उपयोग करके एआई को प्रशिक्षित और परीक्षण किया गया था।
नुनेज ने कहा, ‘क्योंकि मॉडल को बीसी डेटा पर प्रशिक्षित किया गया है, जो इसे प्रांत में कैंसर के जीवित रहने की भविष्यवाणी करने के लिए एक संभावित शक्तिशाली उपकरण बनाता है।’
‘[But] न्यूरल एनएलपी मॉडल के बारे में सबसे अच्छी बात यह है कि वे अत्यधिक स्केलेबल, पोर्टेबल हैं और संरचित डेटा सेट की आवश्यकता नहीं है। नए क्षेत्र में प्रदर्शन को बेहतर बनाने के लिए हम स्थानीय डेटा का उपयोग करके इन मॉडलों को जल्दी से प्रशिक्षित कर सकते हैं।’
