स्वायत्त ड्राइविंग से सीखे गए जीवन विज्ञान के भविष्य के बारे में

कई सालों के इंतजार के बाद आखिरकार स्व-चालित वाहन आ ही गए हैं। हालांकि महत्वाकांक्षी शुरुआती लक्ष्य और लोगों की बढ़ी हुई उम्मीदें पूरी तरह से पूरी नहीं हुई हैं, फिर भी काफी प्रगति हुई है।

पूर्ण स्व-चालित और आंशिक स्व-चालित वाहन अब कृत्रिम बुद्धिमत्ता (AI) की सबसे परिपक्व तकनीकों में से एक हैं। आज सैन फ़्रांसिस्को में, वेमो को अपने फ़ोन से बुलाने पर, कुछ ही मिनटों में एक सफ़ेद जैगुआर I-Pace, जो रोटरी सेंसर से ढका हुआ है, बिना ड्राइवर के चुपचाप आ जाएगा। साथ ही, सामान्य वाहनों में ऑटोमैटिक लेन मेंटेनेंस जैसे सहायक ड्राइविंग फीचर भी तेज़ी से विकसित हो रहे हैं।

जैसे-जैसे स्व-चालित वाहन उद्योग परिपक्व होता जा रहा है, जीवन विज्ञान सहित अन्य AI अनुप्रयोगों में रुचि और प्रतिभा वाले लोग लगातार स्थानांतरित हो रहे हैं, और हमें विश्वास है कि इन लोगों का आना जीवन विज्ञान के विकास में मार्गदर्शक की भूमिका निभा सकता है। जीवन विज्ञान में AI भी लोगों की बहुत ज़्यादा उम्मीदों के बाद क्रमिक सफलताओं के संचय के माध्यम से उद्योग को फिर से परिभाषित करने की प्रक्रिया से गुज़रेगा।

इसके आधार पर, मुझे लगता है कि स्व-चालित वाहन उद्योग से प्राप्त चार सबक को नई दवा की खोज और विकास के लिए AI पर भी लागू किया जा सकता है।

उच्च-आयामी डेटा प्रतिनिधित्व में संक्रमण

किसी विशिष्ट डोमेन के भीतर बुनियादी डेटा और मॉडल में सुधार के साथ, अधिक निर्णय व्याख्यात्मक मानव-परिभाषित एल्गोरिदम से "ब्लैक बॉक्स" मॉडल में स्थानांतरित हो रहे हैं। यह स्व-चालित वाहन सॉफ्टवेयर विकास में भी देखा गया है, जहां उद्योग धीरे-धीरे वाहन के आसपास के दृश्य के सीखे गए प्रतिनिधित्व और स्टैक के अधिक कार्यों को नियंत्रित करने वाले सीखने वाले मॉडल को अपना रहा है।

उदाहरण के लिए, एक पार्किंग कार की पहचान करने वाले एल्गोरिथ्म को हार्डकोड करने के बजाय (स्व-चालित वाहन के सापेक्ष वेग के आधार पर), मॉडल सभी लेबल किए गए प्रशिक्षण डेटा के आधार पर उस कार की स्थिति की भविष्यवाणी कर सकता है।

स्व-चालित वाहन उद्योग कड़ाई से परिभाषित आवश्यकताओं पर आधारित विकास से बदल गया है, जो वाहन के संचालन के क्षेत्र को सांख्यिकीय रूप से प्रतिनिधित्व करने और एक जटिल, उच्च-आयामी स्थान में नेविगेट करने में सक्षम मॉडलिंग में बदल गया है। इससे प्रदर्शन में सुधार हुआ है, लेकिन व्याख्यात्मकता कम हो गई है।

हमें विश्वास है कि जीवन विज्ञान में भी ऐसा ही बदलाव आ रहा है। जीव विज्ञान की जटिलता और विविधता (रोगों और आबादी के बीच जटिल बातचीत सहित) मानव-समझने योग्य अवधारणाओं के प्रतिनिधित्व से कहीं अधिक जानकारी रखती है। इस जटिलता को निर्णय लेने में शामिल करने के लिए, फार्मास्युटिकल उद्योग सरलीकृत डेटा प्रतिनिधित्व से उच्च-आयामी डेटा प्रतिनिधित्व में संक्रमण करेगा।

उदाहरण के लिए, "कौन सी रोगी आबादी को मेरे नए दवा उम्मीदवार से सबसे अधिक लाभ होने की संभावना है?" जैसे महत्वपूर्ण प्रश्न सहज या अनुमान-आधारित निर्णयों के बजाय डेटा-संचालित निर्णयों में बदल जाएंगे। और उन सवालों के जवाब देने वाले एल्गोरिदम जटिल उच्च-आयामी डेटा प्रतिनिधित्व पर निर्भर करेंगे।

स्वचालित डेटा इंजन का निर्माण

स्व-चालित वाहन उद्योग आंतरिक रूप से एकत्रित सीमित डेटा का उपयोग करके प्रशिक्षण से दूर जा रहा है और वाहन प्रशिक्षण मॉडल में बदल रहा है। यह वास्तविक दुनिया के डेटा का उपयोग करके अपने मॉडल को लगातार बेहतर बना रहा है जो ग्राहक वाहनों द्वारा ड्राइविंग करते समय एकत्रित किए जाते हैं। ग्राहक वाहनों से एकत्र किया गया डेटा अब स्व-चालित वाहनों की दौड़ में वाहन निर्माताओं की सबसे महत्वपूर्ण संपत्तियों में से एक है। बड़े पैमाने पर डेटा इंजन के माध्यम से स्वचालित डेटा संग्रह उन विभिन्न प्रकार के डेटा को एकत्र करने का एकमात्र तरीका है जो उन जटिल क्षेत्रों को समझने के लिए आवश्यक है जहां वाहन तैनात किए जाते हैं।

हमें उम्मीद है कि जीवन विज्ञान क्षेत्र में भी यही गतिशीलता दिखाई देगी। यह "रियल-टाइम डेटा अधिग्रहण" खोज, विकास और नैदानिक चरणों में होगा:

• बड़े पैमाने पर इन सिलिको डिजाइन और चिकित्सीय पदार्थों की आभासी स्क्रीनिंग
• AI वैज्ञानिकों के साथ एकीकृत स्वचालित रोबोटिक गीली प्रयोगशालाएं
• पिछले नैदानिक परीक्षण के परिणामों के माध्यम से स्केलेबल डेटा क्यूरेशन, संरक्षण और पुनरावृत्तीय प्रशिक्षण
• मल्टी-मोडल, उच्च-निष्ठा रोगी-स्तरीय डेटा सहित व्यापक नैदानिक डेटा के अनूठे स्रोत
• बाजार डेटा (जैसे, प्रतिकूल घटनाएँ, उत्पाद के साथ रोगी के अनुभव, स्वास्थ्य सेवा अनुरोध) से स्वचालित विश्लेषण और अंतर्दृष्टि प्राप्त करना

स्वचालित डेटा इंजन पूरे दवा विकास चरण में एकत्र किए गए डेटा का उपयोग करके उत्पादों और प्रक्रियाओं को स्वचालित रूप से बेहतर बनाता है।

सफलता के लिए, डेटा को बार-बार और बड़े पैमाने पर एकत्र किया जाना चाहिए। प्रत्येक प्रयोग और नुस्खा भविष्य के विकास के लिए अधिक डेटा एकत्र करने का अवसर होगा। दूसरे शब्दों में, प्रत्येक चरण में एकत्रित डेटा का उपयोग नई दवा की खोज और विकास के सभी चरणों को बेहतर बनाने के लिए किया जाना चाहिए।

जीवन विज्ञान क्षेत्र में नियामक और सुरक्षा आवश्यकताएँ और जैविक डेटा की विषमता के कारण, यह डेटा इंजन स्व-चालित वाहनों से अलग दिखाई देगा, लेकिन डेटा अधिग्रहण और उत्पाद विकास के बीच गहन और स्वचालित एकीकरण का मूल लक्ष्य समान है। सफल कंपनियों को नए एकत्रित डेटा के आधार पर भविष्य के उत्पाद पुनरावृत्तियों में स्वचालित सुधार दिखाई देगा।

दीर्घकालिक दृष्टिकोण के साथ योजना बनाना

स्व-चालित वाहनों की सफलता योजना से अधिक समय ले गई। विजेता ऐसी स्थिति में थे जहाँ वे विकास में 10 वर्षों से अधिक समय तक भारी निवेश कर सकते थे। जीवन विज्ञान के लिए AI के साथ भी यही बात है। वर्तमान में गर्म रुचि इस क्षेत्र में प्रतिभा और पूंजी को आकर्षित करने का एक भविष्य-उन्मुख अवसर है। हालाँकि, विजेता वे होंगे जो लगभग तत्काल परिणाम के बिना दीर्घकालिक प्रयासों की योजना बनाते हैं।

यानी, दीर्घकालिक प्रयास की आवश्यकता है। क्या आपके पास इस यात्रा को निधि देने के लिए निवेशक, भागीदार या ग्राहक हैं? क्या आप कई नैदानिक विफलताओं का सामना कर सकते हैं जबकि डेटा इंजन एक मंच के रूप में बनाया जा रहा है?

स्वचालन के स्तर पर विचार करना

स्व-चालित वाहन परिपूर्ण नहीं हैं, लेकिन स्वायत्तता के स्तर को वर्गीकृत करने के लिए एक उपयोगी वर्गीकरण है। SAE स्वायत्तता स्तर स्वचालित प्रणाली को 6 स्तरों में वर्गीकृत करता है, जिसमें स्तर 0 (कोई स्वचालन नहीं), स्तर 2 (आंशिक ड्राइविंग स्वचालन), और स्तर 5 (पूर्ण ड्राइविंग स्वचालन) शामिल हैं।

ड्राइवर-असिस्ट और फुल स्व-ड्राइविंग को अलग-अलग दृष्टिकोण और निवेश की आवश्यकता होती है। इसलिए, सभी स्व-ड्राइविंग कार्यक्रमों में विकास के तहत स्वचालन के स्तर के अनुसार आवश्यकताएँ और योजनाएँ अलग-अलग होती हैं। SAE स्वायत्तता वर्गीकरण तब उपयोगी होता है जब इसे संक्षेप में व्यक्त किया जाता है।

प्रत्येक कार्यक्रम का स्वचालन लक्ष्य अलग है, जैसा कि जीवन विज्ञान क्षेत्र में है। पाइपलाइन के किस भाग को स्वचालित करना है? कुछ कंपनियाँ खोज प्रक्रिया के छोटे हिस्से को स्वचालित करेंगी, उदाहरण के लिए, इन सिलिको स्क्रीनिंग, और बाकी स्टैक के लिए पारंपरिक दवा विकास पद्धति को अपनाएँगी। अन्य कंपनियों का लक्ष्य एक मंच बनाना होगा जिसका लक्ष्य पूरी तरह से स्वायत्त और पुनरावृत्त दवा खोज और विकास है।

विभिन्न दृष्टिकोणों को अलग-अलग संरचनाओं, उपकरणों और पूंजी संरचनाओं की आवश्यकता होगी। स्वायत्तता के स्तर को परिभाषित करना उद्योग को "AI अपनाने" के सामान्य लक्ष्य से परे एक साझा भाषा और रोडमैप देने में मदद करेगा।

आगे का सफ़र

आगे का सफ़र लंबा और कठिन होगा। बहुत सारी विफलताएँ होंगी, लेकिन सफलता जीवन विज्ञान की क्षमता को फिर से परिभाषित करेगी।

संदर्भ

https://www.convoke.bio/from-self-driving?utm_source=substack&utm_medium=email