AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

जटिल रोगों के उपचार की खोज में, चिकित्सा लंबे समय से औसत की रणनीति पर निर्भर रही है। डॉक्टर और शोधकर्ता लोगों के बड़े समूहों का अध्ययन करते हैं ताकि पैटर्न खोज सकें, और फिर उन सामान्य नियमों को व्यक्तिगत रोगियों पर लागू करते हैं। यह दृष्टिकोण तब अच्छा काम करता है जब हर कोई समान रूप से प्रतिक्रिया देता है, लेकिन यह विफल हो जाता है जब किसी व्यक्ति की जीव विज्ञान अद्वितीय होती है या जब एक मानक उपचार विफल हो जाता है। इस अंतर को पाटने के लिए, वैज्ञानिकों ने "डिजिटल ट्विन्स" (digital twins) विकसित करना शुरू कर दिया है—एक विशिष्ट व्यक्ति का आभासी मॉडल जिसे वास्तविक शरीर पर कुछ भी आज़माने से पहले विभिन्न उपचारों के साथ परखा जा सकता है। हालाँकि, पारंपरिक रूप से, ये मॉडल एक व्यापक जनसंख्या के डेटा को लेकर उसे एक व्यक्ति के अनुरूप ढालकर बनाए जाते हैं। वे बहुतों से शुरू होते हैं और एक तक पहुँचने की कोशिश करते हैं।

एक नया शोध इस दिशा को चुनौती देता है। एक भीड़ से शुरू होकर उसे छोटा करने के बजाय, यह दृष्टिकोण पूछता है कि क्या किसी व्यक्ति का अपना विस्तृत इतिहास स्वयं का एक कामकाजी मॉडल बनाने के लिए पर्याप्त है। यदि एक डॉक्टर के पास इस बात का पर्याप्त रिकॉर्ड है कि एक व्यक्ति का शरीर भोजन, दवा और दैनिक जीवन के प्रति कैसे प्रतिक्रिया करता है, तो क्या वे रिकॉर्ड अकेले स्वयं के लिए एक विश्वसनीय सिमुलेशन बना सकते हैं? यह प्रश्न ध्यान को एक ऐसे रोगी को खोजने से हटा देता है जो जनसंख्या मॉडल में फिट बैठता हो, बल्कि एक ऐसा मॉडल बनाने की ओर ले जाता है जो रोगी के अपने अनूठे इतिहास में फिट बैठता हो। यह सुझाव देता है कि पर्याप्त अवलोकन के साथ, एक व्यक्ति को समझने के लिए दूसरों से तुलना करने की आवश्यकता नहीं है; उनके अपने पिछले कार्य उनके भविष्य की देखभाल के लिए प्रयोगशाला बन सकते हैं।

मॉरिस एंथनी यूविंग, जो कॉन्कर मेडिकल हेल्थ के एक शोधकर्ता हैं, ने बारह लोगों के डेटासेट का उपयोग करके इस विचार का परीक्षण किया जो टाइप 1 मधुमेह के साथ जी रहे थे। इन व्यक्तियों की आठ सप्ताह तक बारीकी से निगरानी की गई, जिससे उनके रक्त शर्करा के स्तर, इंसुलिन के उपयोग और दैनिक गतिविधियों के लगभग 2,00,000 स्नैपशॉट उत्पन्न हुए। लक्ष्य यह देखना था कि क्या कंप्यूटर प्रत्येक व्यक्ति के लिए केवल उनके अपने डेटा का उपयोग करके एक मॉडल सीख सकता है, बिना अन्य ग्यारह लोगों की औसत प्रतिक्रियाओं या किसी बड़े समूह पर निर्भर हुए। शोधकर्ताओं ने एक "आर्टिफिशियल बायोलॉजिकल प्रिमिटिव" (artificial biological primitive) बनाया। इसे एक स्थिर प्रोफाइल के रूप में नहीं, बल्कि रोगी के एक जीवित, सांस लेते डिजिटल संस्करण के रूप में समझें जिसने अपने इतिहास से अपने व्यवहार के अपने नियम सीख लिए हैं।

टीम ने पहले यह परीक्षण किया कि क्या यह स्व-निर्मित मॉडल स्वस्थ अवस्था की ओर जाने वाले व्यवहार्य पथों की पहचान कर सकता है। उन्होंने रोगी के रक्त शर्करा के खतरनाक रूप से उच्च होने के क्षणों को लिया और मॉडल से पूछा: "यदि आप एक विशिष्ट क्रिया करते हैं, जैसे इंसुललीन की खुराक या थोड़ा व्यायाम, तो क्या यह आपकी रक्त शर्करा को एक लक्ष्य की ओर ले जा सकता है?" मॉडल ने सफलतापूर्वक उन हस्तक्षेपों की पहचान की जो सबसे लचीले परीक्षणों में, वर्तमान उच्च अवस्था और एक स्वस्थ लक्ष्य के बीच के अंतर को लगभग 97% तक कम कर सकते थे। इसने यह सिद्ध किया कि मॉडल किसी व्यक्ति के लिए विशिष्ट कार्यों और परिणामों के बीच के संबंधों को मैप कर सकता है, और केवल कारण संबंधी उपचार प्रभाव (causal treatment effects) का दावा करने के बजाय संभावित हस्तक्षेपों को उत्पन्न कर सकता है।

हालाँकि, अधिक महत्वपूर्ण परीक्षण यह देखना था कि क्या यह व्यक्तिगत मॉडल वास्तव में समूह के औसत पर आधारित मॉडल से भिन्न है। शोधकर्ताओं ने एक व्यक्ति के अपने इतिहास से मिलने वाली सलाह की तुलना उस सलाह से की जो बारह लोगों के संयुक्त मॉडल द्वारा दी गई थी। परिणाम चौंकाने वाले थे: दोनों मॉडल शायद ही कभी सहमत हुए। वास्तव में, वे केवल लगभग एक-चौथाई मामलों में ही बिल्कुल एक ही उपचार योजना का सुझाव देते थे। प्रतिक्रिया का आकार—एक परिवर्तन के प्रति शरीर की प्रतिक्रिया का तरीका—इतना अनूठा था कि समूह का औसत एक व्यक्ति के लिए एक खराब मार्गदर्शक था। यह निष्कर्ष इस विचार को खारिज करता है कि एक रोगी का सटीक प्रतिनिधित्व केवल एक जनसंख्या मॉडल को समायोजित करके किया जा सकता है; व्यक्ति का अपना इतिहास प्रतिक्रिया का एक ऐसा ज्यामिति (geometry) रखता है जिसे समूह देख ही नहीं पाता।

यह सुनिश्चित करने के लिए कि ये डिजिटल मॉडल केवल अनुमान नहीं लगा रहे थे, शोधकर्ताओं ने देखा कि जब इन लोगों ने वास्तव में इंसुलिन लिया या व्यायाम किया तो वास्तविक दुनिया में क्या हुआ। उन्होंने मापा कि एक वास्तविक हस्तक्षेप के बाद व्यक्ति के रक्त शर्करा के पथ में, स्थिर अवधि के दौरान देखी जाने वाली प्राकृतिक हलचल की तुलना में कितना बदलाव आया। डेटा ने दिखाया कि वास्तविक उपचारों ने शरीर के पथ में एक महत्वपूर्ण, मापने योग्य बदलाव पैदा किया, एक "विकृति" (deformation) जो प्राकृतिक हलचल से लगभग दोगुना बड़ी थी। इसने पुष्टि की कि शरीर का इतिहास इस बात का एक स्पष्ट संकेत रखता है कि वह परिवर्तन के प्रति कैसे प्रतिक्रिया करता है, जो एक विश्वसनीय सिमुलेशन बनाने के लिए आवश्यक कच्चा माल प्रदान करता है।

अध्ययन फिर एक व्यावहारिक अनुप्रयोग की ओर बढ़ा: वास्तविक व्यक्ति पर आज़माने से पहले नए विचारों का परीक्षण करने के लिए डिजिटल ट्विन का उपयोग करना। कंप्यूटर ने उपचार में हजारों संभावित परिवर्तनों के प्रस्ताव दिए, जैसे इंसुलिन की खुराक या समय को समायोजित करना। सिस्टम ने इन प्रस्तावों की जांच व्यक्ति के अपने अतीत के विरुद्ध की। यदि व्यक्ति ने कभी किसी विशिष्ट समायोजन को आज़माया नहीं था, या यदि उनके इतिहास ने दिखाया था कि एक समान कदम ने पहले बुरे परिणाम दिए थे, तो सिस्टम ने इसे जोखिम भरा या असमर्थित के रूप में चिह्नित किया। उल्लेखनीय रूप से, लगभग 78% प्रस्तावित परिवर्तनों का व्यक्ति के अपने इतिहास में पूर्ववृत्त (precedent) था, और उनमें से लगभग दो-तिहाई पहले भी अच्छे रहे थे। इसने एक सुरक्षा जाल बनाया जहाँ कंप्यूटर कह सकता था, "हमने यह पहले आज़माया है, और यह सफल रहा," या "हमने यह आज़माया है, और यह विफल रहा," बिना रोगी पर दोबारा प्रयोग किए।

महत्वपूर्ण रूप से, मॉडल स्थिर नहीं था। जैसे-जैसे व्यक्ति की स्थिति घंटों में बदलती थी, सर्वोत्तम उपचार सुझाव भी उसके साथ बदल जाता था। जब शोधकर्ताओं ने अलग-अलग समय पर या अलग-अलग लक्ष्यों के साथ मॉडल से सलाह मांगी, तो उसने दो-तिहाई से अधिक मामलों में अलग उत्तर दिए। यह सिद्ध करता है कि मॉडल केवल एक व्यक्ति को एक निश्चित श्रेणी, जैसे "टाइप ए डायबिटिक" में नहीं डाल रहा है, बल्कि एक गतिशील प्रयोगात्मक साथी के रूप में कार्य कर रहा है जो रोगी के साथ विकसित होता है।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या यह पद्धति मधुमेह से परे भी काम करती है। उन्होंने महामारी के दौरान सरकारी नीतियों पर जनसंख्या-स्तरीय डेटा और व्यक्तिगत मस्तिष्क कोशिकाओं के दृश्य उत्तेजनाओं के प्रति प्रतिक्रिया करने के डेटा पर भी यही तर्क लागू किया। दोनों मामलों में, सिस्टम उस विशिष्ट इतिहास से सीख सका—चाहे वह एक देश हो या एक न्यूरॉन—और यह सिम्युलेट कर सका कि वह नए इनपुट के प्रति कैसे प्रतिक्रिया करेगा। यह सुझाव देता है कि यह दृष्टिकोण केवल एक प्रकार की जीव विज्ञान तक सीमित नहीं है, बल्कि यह समझने का एक सामान्य तरीका है कि कोई भी प्रणाली कैसे व्यवहार करती है।

अध्ययन निष्कर्ष निकालता है कि व्यक्तिगत देखभाल और दवा विकास के लिए, सबसे शक्तिशाली उपकरण अन्य लोगों का एक बड़ा डेटाबेस नहीं, बल्कि व्यक्ति का एक गहरा रिकॉर्ड हो सकता है। व्यक्ति के अपने इतिहास को सत्य के प्राथमिक स्रोत के रूप में मानकर, डॉक्टर और शोधकर्ता एक ऐसा आभासी प्रयोगशाला बना सकते हैं जो उस विशिष्ट व्यक्ति के लिए विशेष है। यह उन्हें उपचारों की जांच करने, उन उपचारों को खारिज करने की अनुमति देता है जिन्हें इतिहास कहता है कि वे विफल होंगे, और उन उपचारों को प्राथमिकता देने की अनुमति देता है जिन्हें इतिहास कहता है कि वे सफल होंगे, और यह सब एक भी गोली निगलने या एक भी इंजेक्शन लगाने से पहले होता है। यह कार्य बीमारी की समस्या को हल करने का दावा नहीं करता है, बल्कि यह इसके बारे में सोचने का एक नया तरीका प्रदान करता है: कि एक रोगी की अनूठी समस्या का उत्तर पूरी तरह से उनके अपने अतीत के भीतर हो सकता है, जो एक ऐसी मशीन द्वारा पढ़े जाने की प्रतीक्षा कर रहा है जो सुनना जानती है।