क्या AI प्रयोगशाला जानवरों को बचा सकता है - चूहों की संख्या को 30 से 50% तक कम करने की वास्तविकता "जनरेटिव AI ड्रग डिस्कवरी"

नई दवाओं के विकास के क्षेत्र में, लंबे समय से एक अनिवार्य प्रश्न रहा है।
"क्या हम जानवरों का उपयोग किए बिना विश्वसनीय वैज्ञानिक परिणाम प्राप्त कर सकते हैं?"

नैतिक दृष्टिकोण से, प्रयोग में उपयोग किए जाने वाले जानवरों की संख्या जितनी कम हो, उतना अच्छा है। लेकिन वैज्ञानिक दृष्टिकोण से, बहुत कम संख्या में किए गए प्रयोग आकस्मिक विविधताओं से प्रभावित हो सकते हैं। यह निर्धारित करने के लिए कि क्या दवा का उम्मीदवार वास्तव में प्रभावी है या यह केवल संयोगवश ऐसा प्रतीत होता है, सुरक्षा और प्रभावशीलता का आकलन करने के लिए पर्याप्त डेटा की आवश्यकता होती है।

इस दुविधा को हल करने के लिए, जनरेटिव AI का उपयोग करने वाले अनुसंधान सामने आए हैं। जर्मनी के गोएथे विश्वविद्यालय फ्रैंकफर्ट और फिलिप्स विश्वविद्यालय मारबर्ग, और फ्राउनहोफर ITMP से जुड़े अनुसंधान दल ने "genESOM" नामक एक जनरेटिव AI विकसित किया है। इसका उद्देश्य प्री-क्लिनिकल अनुसंधान में उपयोग किए जाने वाले प्रयोगशाला जानवरों, विशेष रूप से चूहों की संख्या को कम करना है, जबकि अनुसंधान परिणामों की विश्वसनीयता को बनाए रखना है।

घोषणा के अनुसार, genESOM खोजी फार्माकोलॉजी अनुसंधान में जानवरों की संख्या को 30 से 50% तक कम करने की क्षमता रखता है। यह केवल दक्षता की बात नहीं है। यदि व्यावहारिकता में लाया जाता है, तो यह नई दवा विकास की लागत, अनुसंधान नैतिकता, पशु कल्याण, और AI के वैज्ञानिक उपयोग पर बहस को प्रभावित कर सकता है।

"AI जानवरों के प्रयोग को प्रतिस्थापित नहीं कर रहा है", बल्कि "कम प्रयोगों को मजबूत कर रहा है"

इस अध्ययन में महत्वपूर्ण बात यह है कि genESOM जानवरों के प्रयोग को पूरी तरह से प्रतिस्थापित करने वाली तकनीक नहीं है।

जनरेटिव AI शब्द से, लोग अक्सर पाठ या छवियाँ बनाने वाले AI की कल्पना करते हैं। लेकिन genESOM जो उत्पन्न करता है, वह पाठ या छवि नहीं है, बल्कि प्रयोगात्मक डेटा के समान गुणों वाले नए डेटा बिंदु हैं। शोधकर्ता पहले से प्राप्त चूहों के प्रयोग के डेटा को AI को सिखाते हैं, ताकि वह इसकी आंतरिक संरचना को समझ सके। और फिर, भले ही वास्तव में अतिरिक्त जानवरों का उपयोग नहीं किया गया हो, ऐसा डेटा उत्पन्न करता है जो मानो अधिक जानवरों से प्राप्त हुआ हो।

उदाहरण के लिए, मान लें कि एक दवा की प्रभावकारिता की पुष्टि के लिए 26 चूहों का उपयोग किया गया था। यदि 18 चूहों के डेटा से सांख्यिकीय महत्व खो जाता है, तो genESOM उस डेटा संरचना को सीख सकता है और उचित सीमा में अतिरिक्त डेटा उत्पन्न कर सकता है, जिससे मूल प्रयोग के समान विश्लेषणात्मक परिणाम प्राप्त हो सकते हैं।

यह प्रयोगशाला में मौजूद काल्पनिक चूहों को "बढ़ाने" की बजाय, पहले से देखे गए प्रयोगात्मक परिणामों की संरचना को AI द्वारा ध्यान से पढ़ने और "इस सीमा के भीतर अतिरिक्त माप के रूप में उपयुक्त हो सकता है" के रूप में डेटा को पूरक करने की छवि के करीब है।

हालांकि, यहां एक बड़ा ध्यान देने योग्य बिंदु है। AI द्वारा उत्पन्न डेटा, वास्तव में वास्तविक प्रयोगात्मक डेटा से सीखा गया है। यदि प्रारंभिक प्रयोगात्मक डेटा बहुत कम या पक्षपाती है, तो AI उस पक्षपात या आकस्मिक शोर को भी बढ़ा सकता है। इसका मतलब है कि genESOM "प्रयोग को अनावश्यक बनाने वाला जादू" नहीं है, बल्कि "पर्याप्त वास्तविक डेटा के आधार पर, जानवरों की संख्या को कम करने की गुंजाइश को बढ़ाने वाली तकनीक" के रूप में देखा जाना चाहिए।

अनुसंधान की कुंजी "त्रुटियों को अधिक नहीं बढ़ाना" है

जब वैज्ञानिक अनुसंधान में जनरेटिव AI का उपयोग किया जाता है, तो सबसे डरावनी समस्याओं में से एक "विश्वसनीय गलतियाँ" हैं।

पाठ जनरेटिव AI के मामले में, यह कभी-कभी आत्मविश्वास से गैर-मौजूद शोध पत्रों या तथ्यों के बारे में बोल सकता है। प्रयोगात्मक डेटा के निर्माण में भी, यह खतरा होता है कि यह प्राकृतिक दिखने वाले लेकिन वास्तव में वैज्ञानिक रूप से अर्थहीन डेटा उत्पन्न कर सकता है। विशेष रूप से, यदि यह अनुसंधान में वास्तव में जानने योग्य संकेत के अलावा आकस्मिक विविधताओं को भी बढ़ा देता है, तो एक चर जो वास्तव में प्रभावी नहीं है, ऐसा प्रतीत हो सकता है जैसे कि यह महत्वपूर्ण है।

इस समस्या को "त्रुटि मुद्रास्फीति" कहा जाता है। सरल शब्दों में, AI जितना अधिक डेटा बढ़ाता है, त्रुटियां भी उतनी ही बढ़ जाती हैं।

genESOM की विशेषता यह है कि इसमें इस त्रुटि मुद्रास्फीति की निगरानी करने की प्रणाली शामिल है। अनुसंधान दल ने AI के डेटा संरचना को सीखने के चरण और नए डेटा उत्पन्न करने के चरण को अलग किया। और फिर, उत्पन्न प्रक्रिया में कृत्रिम त्रुटि संकेतों को शामिल किया, ताकि यह मापा जा सके कि ये त्रुटियां कितनी फैल रही हैं।

इस प्रणाली के माध्यम से, AI द्वारा डेटा को अत्यधिक बढ़ाने से पहले, वैज्ञानिक वैधता को नुकसान पहुंचाने से पहले, उत्पन्न को रोकने का निर्णय लिया जा सकता है। इसका मतलब है कि genESOM "सिर्फ डेटा बढ़ाने वाला AI" नहीं है, बल्कि "कितना बढ़ाना उचित है, इसकी निगरानी करने वाला AI" भी है।

यह बिंदु जानवरों के प्रयोग को कम करने के विचार में अत्यधिक महत्वपूर्ण है। भले ही जानवरों की संख्या को कम करने की नैतिक इच्छा हो, यदि इसका परिणाम वैज्ञानिक रूप से गलत दवा प्रभाव का आकलन होता है, तो अंततः मानव नैदानिक परीक्षणों और रोगियों पर जोखिम हो सकता है। पशु कल्याण और वैज्ञानिक विश्वसनीयता को एक-दूसरे की कीमत पर नहीं, बल्कि सह-अस्तित्व में होना चाहिए।

18 चूहों से, 26 चूहों के प्रयोगात्मक परिणामों के करीब

अनुसंधान दल ने अतीत में किए गए मल्टीपल स्क्लेरोसिस मॉडल के प्री-क्लिनिकल अनुसंधान डेटा का उपयोग करके genESOM की क्षमता का परीक्षण किया।

मूल अनुसंधान में, 26 चूहों को तीन उपचार समूहों में विभाजित किया गया था और प्रयोगात्मक दवा के प्रभाव की जांच की गई थी। अनुसंधान दल ने इस डेटा को जानबूझकर 18 चूहों तक घटा दिया, अर्थात प्रत्येक समूह में 6 चूहों तक, और "यदि शुरू से ही कम जानवरों की संख्या के साथ प्रयोग किया गया होता तो क्या होता" का सिमुलेशन किया।

परिणामस्वरूप, केवल 18 चूहों के डेटा से, मूल अनुसंधान में देखे गए उपचार प्रभाव गायब हो गए। सांख्यिकीय परीक्षण में कोई महत्वपूर्ण अंतर नहीं पाया गया, और मशीन लर्निंग का उपयोग करके भी उपचार समूहों के बीच का अंतर ठीक से पहचाना नहीं जा सका। यह कम नमूना अनुसंधान में अक्सर होने वाली समस्या है। भले ही प्रभाव मौजूद हो, डेटा की कमी के कारण इसे पहचाना नहीं जा सकता।

इसलिए genESOM का उपयोग करके, 18 चूहों के वास्तविक डेटा से अतिरिक्त डेटा उत्पन्न किया गया। फिर, मूल 26 चूहों के प्रयोग में देखे गए प्रभाव, मूल महत्वपूर्ण स्तर के करीब फिर से प्रकट हुए। इसके अलावा, गलत तरीके से महत्वपूर्ण समझे गए अर्थहीन चर के झूठे सकारात्मक परिणाम में कोई उल्लेखनीय वृद्धि नहीं हुई।

अनुसंधान दल के अनुसार, अन्य जटिल गहरे शिक्षण मॉडल भी आजमाए गए, लेकिन इस मामले में genESOM की तरह सफल नहीं हुए। इससे यह स्पष्ट होता है कि वैज्ञानिक डेटा के पूरक के लिए, केवल बड़े और जटिल AI का उपयोग करना पर्याप्त नहीं है। छोटे जैव चिकित्सा डेटा के लिए, छोटे डेटा की संरचना और त्रुटियों को संभालने के लिए डिज़ाइन की आवश्यकता होती है।

जानवरों के प्रयोग में कमी "3R" की दिशा में है

जानवरों के प्रयोग के संबंध में अंतरराष्ट्रीय चर्चाओं में, लंबे समय से "3R" की अवधारणा पर जोर दिया गया है।
Replacement, Reduction, Refinement के तीन तत्व हैं।

Replacement का अर्थ है जानवरों के बिना तरीकों का उपयोग।
Reduction का अर्थ है उपयोग किए जाने वाले जानवरों की संख्या को कम करना।
Refinement का अर्थ है जानवरों की पीड़ा को कम से कम करने के लिए प्रयोगात्मक तरीकों का सुधार।

इस बार genESOM, इनमें से Reduction से गहराई से संबंधित तकनीक है। यह जानवरों के प्रयोग को पूरी तरह से समाप्त नहीं करता है, लेकिन समान वैज्ञानिक उद्देश्य को प्राप्त करने के लिए आवश्यक जानवरों की संख्या को कम करने की संभावना है।

यह स्थान यथार्थवादी भी है। हाल के वर्षों में, ऑर्गेनोइड्स, अंग चिप्स, कंप्यूटर सिमुलेशन, मानव-व्युत्पन्न कोशिकाओं का उपयोग करके परीक्षण जैसे जानवरों के प्रयोग को प्रतिस्थापित और पूरक करने वाली तकनीकों का तेजी से विकास हुआ है। हालांकि, दवा विकास के सभी चरणों को तुरंत बिना जानवरों के नहीं किया जा सकता। पूरे जीव के प्रतिरक्षा प्रतिक्रिया, चयापचय, तंत्रिका तंत्र पर प्रभाव जैसे जटिल अंतःक्रियाओं का मूल्यांकन करने के लिए, जानवरों के मॉडल का अभी भी उपयोग किया जा रहा है।

इसलिए, वर्तमान चरण में "सभी या कुछ नहीं" के बजाय, "आवश्यक प्रयोगों को कम और अधिक सटीक रूप से करने" की तकनीक की आवश्यकता है। genESOM इस यथार्थवादी मध्य स्थान पर स्थित है।

SNS पर संभावित प्रतिक्रियाएँ—उम्मीदें, संदेह, और नैतिकता

इस समाचार पर SNS पर प्रतिक्रियाएँ, लेख के प्रकाशन के तुरंत बाद होने के कारण, अभी तक सीमित थीं। Phys.org पर भी, जाँच के समय साझा करने की संख्या कम थी, और टिप्पणी अनुभाग में कोई बड़ी गतिविधि नहीं थी।

हालांकि, यह विषय SNS पर चर्चा का विषय बन सकता है। क्योंकि इसमें "AI", "जानवरों के प्रयोग", "दवा विकास", "नैतिकता" जैसे शब्द शामिल हैं, जो भावनाओं और विज्ञान दोनों को छूते हैं।

सबसे पहले, स्वागत की आवाज़ें हो सकती हैं।
"अगर यह प्रयोगशाला जानवरों को कम कर सकता है, तो यह शानदार है"
"AI का उपयोग करने का यह एक बहुत अच्छा तरीका है"
"अगर यह जानवरों के कल्याण और अनुसंधान के सह-अस्तित्व को बढ़ावा देता है, तो मैं इसका समर्थन करना चाहूंगा"
इस तरह की प्रतिक्रियाएँ स्वाभाविक हैं। जनरेटिव AI अक्सर कॉपीराइट मुद्दों, रोजगार पर प्रभाव, और गलत जानकारी के लिए आलोचना का सामना करता है। इस संदर्भ में, जानवरों के बलिदान को कम करने की संभावना वाली उपयोग विधि को अपेक्षाकृत सकारात्मक रूप से स्वीकार किया जा सकता है।

दूसरी ओर, सावधानीपूर्वक आवाज़ें भी हो सकती हैं।
"क्या AI द्वारा बनाई गई डेटा को प्रयोग के परिणाम के रूप में स्वीकार किया जा सकता है?"
"क्या AI सुविधाजनक परिणामों को बढ़ावा देने का खतरा नहीं है?"
"क्या दवा कंपनियाँ इसे लागत कटौती के बहाने के रूप में उपयोग नहीं करेंगी?"
ये चिंताएँ भी उचित हैं। AI द्वारा उत्पन्न डेटा वास्तविकता नहीं है। चाहे वह कितनी भी कुशलता से बनाया गया हो, इसे सीधे प्रयोग में देखे गए डेटा से अलग माना जाना चाहिए। अनुसंधान पत्रों और नियामक समीक्षा में, यह स्पष्ट रूप से दिखाना आवश्यक है कि सिंथेटिक डेटा कैसे बनाया गया था और इसे किस सीमा तक उपयोग किया गया था।

इसके अलावा, जानवरों के प्रयोग के विरोध में खड़े लोग कह सकते हैं कि "30 से 50% की कमी पर्याप्त नहीं है।" जानवरों की पीड़ा को समस्या मानने वाले लोगों के लिए, कमी एक कदम आगे है, लेकिन अंतिम लक्ष्य पूर्ण प्रतिस्थापन है। इसके विपरीत, शोधकर्ता और चिकित्सा पेशेवर कह सकते हैं कि "अगर जानवरों की संख्या को कम करने का उद्देश्य अत्यधिक हो जाता है, तो दवा की सुरक्षा मूल्यांकन कमजोर हो सकता है।"

इस समाचार की दिलचस्पी यह है कि यह केवल "AI अद्भुत है" पर समाप्त नहीं होती। AI जानवरों को बचा सकता है। लेकिन AI विज्ञान में गलत आत्मविश्वास भी ला सकता है। इसलिए, तकनीक के अलावा, संचालन नियम, पारदर्शिता, नियमन, और अनुसंधान नैतिकता भी महत्वपूर्ण हैं।

"AI द्वारा बनाई गई डेटा" पर कितना विश्वास किया जा सकता है

जनरेटिव AI द्वारा डेटा पूरकता पहले से ही चिकित्सा और जैविक क्षेत्रों में ध्यान आकर्षित कर रही है। रोगी डेटा में गोपनीयता की बड़ी सीमाएँ होती हैं, और दुर्लभ बीमारियों में मामलों की संख्या कम होती है। प्री-क्लिनिकल अनुसंधान में भी, लागत और नैतिक कारणों से, बड़े डेटा सेट को आसानी से बनाना संभव नहीं है।

इसलिए, कम डेटा से सीखने और सांख्यिकीय रूप से वैध सीमा में सहायक डेटा बनाने की तकनीक की बड़ी मांग है। लेकिन यहाँ सवाल उठता है कि "डेटा की संख्या बढ़ने से ज्ञान की वृद्धि नहीं होती।"

भले ही डेटा बिंदुओं की संख्या 100 से 200 हो जाए, अगर वह अतिरिक्त भाग वास्तविक दुनिया की घटनाओं को सही ढंग से प्रतिबिंबित नहीं करता, तो अनुसंधान की विश्वसनीयता नहीं बढ़ेगी। बल्कि, केवल दिखावटी सटीकता बढ़ेगी, और गलत निष्कर्षों पर आत्मविश्वास बढ़ सकता है।

genESOM का मूल्यांकन इस बात पर है कि अनुसंधान दल ने इस खतरे को सीधे तौर पर संबोधित किया है। त्रुटि निगरानी, रोकथाम मानदंड, और झूठे सकारात्मक को नियंत्रित करने जैसी प्रणालियाँ सिंथेटिक डेटा उपयोग की कमजोरियों को ध्यान में रखकर डिज़ाइन की गई हैं। विज्ञान में AI को शामिल करने के लिए, "बनाने की क्षमता" से अधिक "अधिक बनाने से बचने की क्षमता" महत्वपूर्ण हो सकती है।

दवा अनुसंधान पर प्रभाव

यदि genESOM जैसी तकनीक व्यापक रूप से उपयोग की जाती है, तो प्री-क्लिनिकल अनुसंधान का डिज़ाइन बदल सकता है।

पहला, खोजी अनुसंधान के प्रारंभिक चरण में आवश्यक जानवरों की संख्या को नियंत्रित किया जा सकता है। जब दवा के उम्मीदवारों की संख्या अधिक होती है, तो सभी उम्मीदवारों को बड़े पैमाने पर जानवरों के प्रयोग में आज